Ángulos y similitud del coseno
Calcula ángulos y similitud del coseno a partir de coordenadas vectoriales, normaliza embeddings de forma responsable y gestiona los vectores nulos en código de recuperación.
Etiqueta
#embeddings
6artículoscon esta etiqueta.
Las normas vectoriales miden el tamaño, no el significado
Calcula las normas vectoriales L1, L2 y L-infinity, comprueba sus reglas definitorias y descubre qué puede y qué no puede revelar la magnitud de un embedding.
La dimensión cuenta direcciones independientes
Distingue el número de coordenadas de los embeddings del número de muestras y aprende por qué la forma de una matriz no revela cuántas direcciones independientes abarcan sus vectores.
Espacios vectoriales: comprueba si las representaciones de IA cumplen las reglas
Comprueba el vector cero y la clausura bajo suma y multiplicación escalar; después, usa embeddings normalizados como contraejemplo para distinguir un conjunto útil de representaciones de un espacio vectorial.
Sentence Transformers v6 facilita la interacción tardía, no la abarata
Sentence Transformers v6 añade recuperación multivectorial, mientras que sus propios resultados muestran una mejora media de calidad modesta junto con un coste de almacenamiento mucho mayor.
De vectores a embeddings: la geometría que hay detrás de la similitud
Construye una comprensión intuitiva de los vectores, los productos escalares, la similitud coseno y por qué los embeddings convierten el significado en geometría.