今天上课，我们的老师说我们学地下水的不容易被ai替代，因为与其花大规模的造价去定量化地下水，还不如直接招几个本科生做做勘察便宜实惠。

由于公司经营遇到了巨大问题，出现严重亏损。不得不忍痛告诉全体员工团队解散一事衷心感谢全体小伙伴们在公司付出努力与汗水目前待定截止今日，后续事宜人事小姐姐会逐步跟进安排。再次感谢各位伙伴们希望大家都能有一个好的前程，在未来的时候一定要努力奋斗，前程似锦2023年6月16日我正在开开心心的写着代码，突然来了这么一条消息；我直接原地呆住了，沉思良久我才发现办公室内寂静的可怕，没有了键盘的敲击声；有的只有同事们的呼吸声，大家都依靠在椅子上，像是在思考什么。很快大家也都接受了这个不愿看到的实事。过了一两天就在开始办理离职一类的事情了。投递简历在离职以后，我们同事之间约好一起打了2个小时的球，吃了一个饭；...

目前主流的 Embedding 模型都是 Bi-Encoder 架构（双塔模型）：query 和文档各自独立编码成向量，再算余弦相似度。这种架构的优势是速度快——文档向量可以离线算好存起来，查询时只需要算一次 query 的向量就能跟整个库比对。代价是精度不如 Cross-Encoder，所以才需要两阶段检索。✴️下面是目前开源社区里最常用的几个 Embedding 模型的核心对比：✅BGE-M3（BAAI 智源）：目前中文场景的首选。支持中英多语言，最大 8192 token 的上下文窗口，同时支持稠密向量、稀疏向量和 ColBERT 式多向量检索三种模式。在 MTEB 中文榜单上长期稳居前列。如果你不知道选什么，无脑选 BGE-M3 不会错。✅BGE-large-zh（BAAI 智源）：专注中文的大尺寸版本，在纯中文场景下精度略高于 M3，但不支持多语言，上下文窗口也只有 512 token。适合纯中文且文档较短的场景。✅GTE-multilingual-base（阿里达摩院）：阿里出品的多语言 Embedding 模型，在 MTEB 多语言榜单上表现很强。跟 BGE-M3 是直接竞品关系，两者在多语言场景下各有胜负。如果你面的是阿里，了解 GTE 是基本功。✅E5-small/base/large（微软）：微软出品，特点是有从 small 到 large 的完整尺寸梯度，small 版本只有 33M 参数，特别适合资源紧张或需要部署到边缘设备的场景。精度比 BGE 略低，但推理速度快很多。✅Jina Embeddings v2（Jina AI）：最大亮点是支持 8K token 的超长上下文。如果你的文档 chunk 特别长（比如整段法律条文或完整的技术文档章节），其他模型可能截断，Jina v2 能全部吃进去。✅MiniLM（微软）：极致轻量级，速度最快，适合对延迟要求极高或大批量处理的场景。精度是这几个里最低的，但胜在快。🌟四种经典搭配方案1️⃣经典流水线：BGE-base2️⃣检索 Top 100 → BGE-Reranker-base3️⃣精排多语言场景：GTE-multilingual-base + GTE-multilingual-rerankerGPU4️⃣紧张：E5-small + MiniLM-L6-cross-encoder（batch 推理）5️⃣长文档 / 8K：Jina-embeddings-v2 + Jina-ColBERT-v2，段内匹配更稳📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

春招这段时间，前前后后给几十家公司的HR发过消息，从最开始的全石沉大海，到后来90%都能收到回复，踩了无数坑，终于摸透了HR的沟通雷区和秒回技巧。先给大家避坑，这5句话，发出去90%会被无视，绝对别发！在吗？（纯无效开场，HR根本没法回）您好，请问XX岗位还招人吗？（只提问题，不给任何个人信息，HR连你是谁、能不能胜任都不知道，懒得回）我的简历您看了吗？（压迫感拉满，没有任何有效信息，HR只会觉得你在催他）您好，我想应聘贵司的岗位。（不说清哪个岗位、自己什么背景，HR一天看几百份简历，根本没空跟你细问）长段大作文，没有重点：把自己的经历、诉求写了一大段，没有分段、没有重点，HR扫一眼就头大，直...