一、什么是Embedding

大模型（Large Language Models, LLMs）正以前所未有的速度改变着人类与机器交互的方式。而这些模型能够理解自然语言、生成创意内容，甚至进行复杂的推理决策，其背后就是一项核心技术——Embedding（嵌入）。它扮演着“神经中枢”的角色，像一座桥梁，将人类世界的离散符号（如文字、图像）转化为机器能够理解的连续向量，使大模型得以“思考”和“创作”。

最简单的理解，Embedding就是大模型自己的语言，任何需要跟大模型沟通的文字、图像、视频都需要转换为大模型所能理解的语言：Embedding，它才能处理。处理完成后，它再翻译成人类能理解的文字、图像等。这也是大模型最强大的核心能力之一，多模态处理能力。

二、Embedding的起源与发展：从语言学理论到深度学习革命

1. 语言学根基：分布式语义理论的提出

Embedding的思想最早可追溯至1954年，语言学家Zellig Harris提出的分布式语义理论。该理论认为，单词的语义由其上下文分布决定——“You shall know a word by the company it keeps”（通过单词的上下文可以推断其含义）。例如，“猫”和“狗”经常出现在“宠物”“喂食”等相似上下文中，因此它们的语义应相近。这一理论为通过统计词频捕捉语义关系奠定了基础。

2. 深度学习突破：Word2Vec的崛起

2013年，Mikolov团队提出的Word2Vec算法成为Embedding发展的里程碑。它通过神经网络训练词向量，将每个单词映射为一个低维稠密向量，使语义相似的词在向量空间中距离接近。例如，“国王 - 男人 + 女人 ≈ 女王”的向量运算，直观体现了语义关系的捕捉。Word2Vec的开源实现推动了工业界对词嵌入技术的重视，开启了NLP任务的新纪元。

3. 动态嵌入的兴起：BERT与GPT的上下文感知

静态词嵌入（如Word2Vec）无法解决一词多义问题（如“银行”既指金融机构，也指河岸）。2018年，BERT模型通过双向Transformer架构，生成上下文相关的Embedding，根据句子动态调整词向量。例如，在“我用苹果手机支付”和“我吃苹果”中，“苹果”的向量会因上下文不同而区分。这种动态嵌入显著提升了语义理解能力，成为大模型的标准配置。

4. 多模态扩展：图像、语音与图结构的嵌入

随着深度学习的发展，Embedding从文本扩展到多模态数据。例如：

图像嵌入：ResNet等模型将图像映射为向量，实现图像分类与检索。

语音嵌入：Wav2Vec 2.0将语音波形转换为语义向量，支持语音识别。

图嵌入：Node2Vec、DeepWalk等算法将社交网络中的节点（如用户）表示为向量，用于推荐系统。

三、常见的Embedding模型：

已经有很多成熟的Embedding模型，下面是一些比较常见的模型：

四、进一步解读

从核心上来说，嵌入（embedding）是一种映射，它将诸如单词、图像甚至整篇文档等离散对象映射到连续向量空间中的点。嵌入的主要目的是将非数值数据转换为神经网络能够处理的格式。

虽然词嵌入（word embeddings）是最常见的文本嵌入形式，但还存在针对句子、段落或整篇文档的嵌入。句子或段落嵌入是检索增强生成（retrieval-augmented generation）的流行选择。检索增强生成将生成（如生成文本）与检索（如搜索外部知识库）相结合，以便在生成文本时提取相关信息。

当选择的embeddings为二维的时候，就是将词汇投影到二维空间，这时可以进行可视化绘制，从而观测出最直观的现象：相似的术语会聚集在一起。

*如果词嵌入是二维的，将它们绘制成二维散点图以便可视化。在使用词嵌入技术（如Word2Vec）时，对应相似概念的单词在嵌入空间中通常会彼此靠近。例如，不同类型的动物在嵌入空间中彼此之间的距离，比它们与国家或城市之间的距离更近。词嵌入的维度可以从一维到数千维不等。更高的维度可能会捕捉到更细微的关系，但会牺牲计算效率。

*高维Embedding对可视化提出了挑战，因为感官感知和常见的图形表示本质上局限于三维或更少，这就是为什么在二维散点图中展示二维嵌入的原因。然而，在使用LLMs时，我们通常会使用维度高得多的嵌入。对于GPT-2和GPT-3，Embedding大小（通常称为模型隐藏状态的维度）因模型的具体变种和大小而异。这是性能与效率之间的权衡。最小的GPT-2模型（117M和125M参数）使用768维的嵌入大小来提供具体的示例。最大的GPT-3模型（175B参数）使用12288维的嵌入大小。

五、大模型处理的高阶流程

图中所示的步骤是使用Transformer作为语言翻译的典型流程图。

1. 待翻译的文字；
2. 在进入Encoder前的预处理；
3. Encoder对文字进行Encoding处理；
4. Embeddings就是Encoder的结果，是原来文字的向量化表示；
5. Decoder的部分输出，每次执行翻译一个单词；
6. Decoder一次仅生成一次翻译；
7. 最后翻译的结果。

总结下来，就只有两个关键步骤：

1. 使用Encoder将输入转换为Embeddings；
2. 使用Decoder对Embeddings进行处理，并将Embeddings表示的结果转换为输出结果。

六、一个示例：将文本转换为Embedding

这里给出一个最简单的Embedding示例，不采用任何已有的Embedding模型框架。其主体流程如下：

*这里加入了位置Embeddings，这是LLM自注意力机制的关键点之一，这里不对此展开。

示例代码：

test_text="这是一段示例文字"
print(test_text)
import re
test_text_arr = re.split(r'(\s)', test_text)
print(test_text_arr)
##进行TOKEN化
test_text_arr = re.split(r'([,.，。\w]|\s)', test_text)
print(test_text_arr)
preprocessed = [item.strip() for item in test_text_arr if item.strip()]
print(preprocessed)
##将拆分后的单词进行去重
all_words = sorted(set(preprocessed))
vocab_size = len(all_words)
print(vocab_size)
##为每一个Token生成一个唯一ID
vocab = {token:integer for integer,token in enumerate(all_words)}
for i, item in enumerate(vocab.items()):
print(item)
import torch
from torch.utils.data import Dataset, DataLoader
##生成3维的embedding
output_dim = 3
##使用制定的种子，确保可以复现
torch.manual_seed(1111)
embedding_layer = torch.nn.Embedding(vocab_size, output_dim)
print(embedding_layer.weight)
#取第2个Token的embedding，python是从0开始。前面每一个TokenID都可以作为下标从而Embedings矩阵中获取。
print(embedding_layer(torch.tensor([1])))

七、后记

每天学习和理解一点点大模型。但是这玩意好难。好好学习，天天向上吧。

八、参考资料

1. 

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！