在大模型落地企业服务的浪潮中，知识库问答（RAG）已成为最核心的应用场景之一 —— 无论是内部文档检索、客户服务智能应答，还是垂直领域知识查询，都离不开 “文本嵌入→向量检索→上下文生成” 的核心链路。而嵌入模型作为整个链路的 “地基”，其性能直接决定了检索精度与最终回答质量。BGE（BAAI General Embedding）作为中文场景下表现突出的开源嵌入模型，凭借优异的通用性和易用性，成为

在大模型落地企业服务的浪潮中，知识库问答（RAG）已成为最核心的应用场景之一 —— 无论是内部文档检索、客户服务智能应答，还是垂直领域知识查询，都离不开 “文本嵌入→向量检索→上下文生成” 的核心链路。而嵌入模型作为整个链路的 “地基”，其性能直接决定了检索精度与最终回答质量。BGE（BAAI General Embedding）作为中文场景下表现突出的开源嵌入模型，凭借优异的通用性和易用性，成为

PETALface 以 “参数高效迁移学习” 为核心，通过 backbones/lora_layers.py 实现 LoRA 模块，结合 train_iqa.py 中的图像质量加权策略，在低分辨率数据集上微调时仅更新少量参数，避免灾难性遗忘。数据集处理、模型训练、多场景验证的模块化设计，使其能高效支持高低分辨率人脸识别任务的研究与部署。参数名作用示例值--network骨干网络类型（需带IQA）-