本文提出了一种基准目标排名方法（BETR），通过比较预训练文档与基准训练示例的相似性来优化数据选择。BETR在共享空间中嵌入基准示例和预训练文档，利用相似性评分训练轻量级分类器。研究表明，BETR在多个任务上显著提升性能，且更大的模型需要更少的过滤，强调数据选择策略需适应模型规模。

文本嵌入模型的相似性评分受输入长度偏见影响，长文本通常得分较高，导致相关性评估不准确。即使相似文本得分更高，长文本的偏见使得相似性评分不可靠。因此，应结合其他方法判断文本的实际相关性，而非仅依赖余弦相似度。