AirSOTA
Air School of Thoughts AtoZAirSOTA 知识矩阵：聚合大模型算法架构、科学育儿情境成长、加州地产考牌实战与全球数字化商业出海的权威专栏。
TalentMe · AI 学习与系统架构
工业级 AI 算法核心 69 题、前沿大模型系统架构演进与北美技术面试全流程备考深度长文。
【AI 核心深度 M7-012】解释稠密检索的向量维度与存储成本权衡（Explain the Trade-Off Between Embedding Dimensionality and Storage/Compute Costs in Dense Retrieval）深度数理推导与工程落地解析
维度越高表达力越强但存储与检索成本 ∝ 维度；用 MRL（套娃表示）或量化（PQ/二值）压缩。
【AI 核心深度 M7-013】解释跨模态稠密检索的挑战（Explain the Key Challenges and Solutions in Cross-Modal Dense Retrieval）深度数理推导与工程落地解析
需把不同模态（文本/图像/音频）映射到共享空间；挑战是模态间隙、数据对齐质量、以及模态内的细节保留。
【AI 核心深度 M7-014】解释稠密检索的’指令式嵌入’与任务特定嵌入（Explain Instruction-Based and Task-Specific Dense Embeddings in Modern Retrievers）深度数理推导与工程落地解析
E5/BGE 等要求查询与文档加不同前缀（如 ‘query:’/’passage:’），使同一模型适配多种任务（检索/分类/聚类）。
【AI 核心深度 M7-015】解释稠密检索中的假负样本与去偏（Explain the Problem of False Negatives in Dense Retrieval and Debiasing Strategies）深度数理推导与工程落地解析
in-batch negatives 可能含’实际相关’的样本（如另一问题的正确答案）；把它们当负样本会教模型’推远相关文档’。
【AI 核心深度 M7-016】解释稠密检索的领域适配（微调嵌入模型）（Explain Domain Adaptation and Fine-Tuning Strategies for Dense Retrieval Models）深度数理推导与工程落地解析
通用嵌入在专业领域（医疗/法律/代码）表现差；用领域内的（查询，正文档）对做对比学习微调，配难负样本。
【AI 核心深度 M7-017】解释多语言稠密检索与跨语言检索（Explain Multilingual and Cross-Lingual Dense Retrieval Architectures and Alignment Techniques）深度数理推导与工程落地解析
用多语言编码器（M-CLIP/mE5）把不同语言映射到共享空间；或用’翻译后检索’；挑战是低资源语言。
【AI 核心深度 M7-004】解释 SPLADE 等学习式稀疏检索的思路（Explain the Principles and Architecture of Learned Sparse Retrieval Such as SPLADE）深度数理推导与工程落地解析
用 BERT + MLM 头 + ReLU + 稀疏正则，让每个词扩展为’词表上的稀疏权重’，兼具语义泛化与倒排索引效率。
【AI 核心深度 M7-005】解释稀疏检索的局限与改进方向（Explain the Limitations of Sparse Retrieval and Key Directions for Improvement）深度数理推导与工程落地解析
局限：无同义词/语义泛化、词汇失配（vocabulary mismatch）、无法处理拼写变体；改进：查询扩展、学习式稀疏、混合检索。
【AI 核心深度 M7-006】解释文档长度对检索打分的影响与处理（Explain the Impact of Document Length on Retrieval Scoring and Common Mitigation Strategies）深度数理推导与工程落地解析
长文档天然命中更多查询词（不公平优势）；用长度归一化（BM25 的 b）、BM25F 的字段加权、或分块处理。
【AI 核心深度 M7-007】解释 BM25 的变体与改进（BM25+ / BM25F / 学习式权重）（Explain Key BM25 Extensions and Enhancements: BM25+, BM25F, and Learning-to-Rank Weights）深度数理推导与工程落地解析
BM25+ 修正长文档 TF 饱和下限；BM25F 做多字段加权；学习式权重用 LTR 学各部分权重。
【AI 核心深度 M6-086】解释 FID 的定义与局限。（Fréchet Inception Distance (FID): Mathematical Formulation and Structural Limitations）深度数理推导与工程落地解析
FID 用真实与生成图像在 Inception 特征空间的高斯距离衡量质量；对特征分布假设与样本量敏感，且不测文本对齐。
【AI 核心深度 M6-087】解释 CLIP-score 与它的偏置。（CLIP-Score Evaluation Mechanics and Linguistic/Perceptual Biases）深度数理推导与工程落地解析
CLIP-score 用 CLIP 计算生成图与 prompt 的相似度，衡量’文本对齐’；但它有’偏好特定风格’的偏置，且不能测真实感。
【AI 核心深度 M6-088】解释人类偏好在生成评估中的地位与方法。（Human Preference Benchmarking, Elo Ratings, and Automated Multimodal Judges）深度数理推导与工程落地解析
人类偏好是黄金标准；通过成对比较（Elo/Bradley-Terry）或打分收集，成本高但是最终裁决；LLM/VLM-judge 可扩展但需校准。
【AI 核心深度 M6-089】解释生成评估中的多样性与保真度权衡。（The Diversity vs Fidelity Pareto Trade-off in Generative Evaluation）深度数理推导与工程落地解析
保真度（每张图是否真实/对题）与多样性（是否覆盖模式）存在张力；需分别度量（Precision/Recall）而非用单一指标。
【AI 核心深度 M6-090】解释商品图生成特有的评估维度。（Specialized Evaluation Metrics for E-Commerce Product Image Generation）深度数理推导与工程落地解析
除通用指标外，需评’本体保真度（结构/颜色/纹理/文字）’、’合规性’、’一致性’与’业务指标（点击/转化）’。