人工智能中rag+llm大模型学习，经常听到有些名词，其中embedding ,rerank,lora容易混淆。
embedding啥作用【转换文本为向量】，
rerank啥作用【接受embedding向量然后重排】
lora啥作用【用低秩矩阵来完成模型微调】
低秩矩阵啥意思？【有专门的转换论文】就是多维的矩阵变成低维，减少输入参数，从而达到不增加硬件就提高查询效率
lora属于embedding么？不属于
lora属于rerank么？不属于
embedding ,rerank,lora属于大模型组件么
embedding ,rerank,lora是rag中的重要组件，不属于llm组件
Embedding、Rerank和LoRA是人工智能和自然语言处理中的三个不同概念，分别对应模型功能、任务阶段和参数高效微调技术。
**Embedding模型的核心功能是将文本转换为向量表示。** 它将输入文本（如句子或文档）映射到固定维度的向量空间，使语义相似的文本在向量空间中距离更近，主要用于语义相似度计算和粗粒度召回，例如在信息检索中快速从大规模文档库中筛选相关片段；这类模型通常基于Transformer架构（如BERT变体），但参数量较小（如all-MiniLM-L6-v2约2200万参数），并采用双塔结构以支持高效向量检索，适合在线系统实时处理。12
**Rerank模型专注于对初步结果进行精排序。** 它接收Embedding模型返回的候选文档列表，通过交叉编码器结构对查询与每个文档进行细粒度匹配，输出相关性分数以优化排序；其目标是提升检索精度，尤其在RAG系统中能捕捉上下文细微差异，但计算成本较高，因此通常应用于小规模候选集（如前100个文档）的后处理阶段。13
**LoRA是一种参数高效微调技术，与模型功能无关。** 它通过引入低秩矩阵来微调大型模型（如LLM），仅更新少量参数即可适应新任务，显著降低计算和存储开销；LoRA可应用于Embedding或Rerank模型的微调过程，例如在Rerank阶段使用LoRA优化模型对特定领域数据的适应性，但其本质是训练方法而非独立模型类型。4
**三者在典型工作流中的关系如下：** 在检索系统（如RAG）中，Embedding模型首先将文档和查询转换为向量，进行快速粗召回；随后Rerank模型对召回的候选集进行精细排序，提升相关性；而LoRA作为一种微调技术，可在此流程的任意阶段使用，例如用LoRA优化Embedding模型的语义表示能力或Rerank模型的相关性判断，以适应特定应用场景
与LLM的关联：Embedding和Rerank模型虽可能基于LLM架构（如Qwen系列）训练，但它们功能独立于LLM的生成任务；LLM在RAG中仅承担生成阶段的角色，而Embedding、Rerank和LoRA均服务于检索流程，共同构成RAG的检索增强机制