练完一遍了？ 用英文写下回答，粘贴到免费自查工具打分（工具按英文要点评分）
考察点
能否讲清两类模型不同的输出和用途，并说明它们在检索系统里如何配合。
评分要点
- Embedding 模型：把一段文本映射成固定长度的向量，语义相近的文本向量也相近（例如用余弦相似度衡量）；它不生成文字。
- 生成式模型：逐个预测并输出 token，产出文本、代码或结构化数据。
- 用途和成本：embedding 用于语义搜索、聚类、去重、分类和推荐；调用便宜得多也快得多，可以把整个语料库一次性向量化。
- 两者配合：在 RAG 中，embedding 模型找到候选段落，生成式模型阅读这些段落并写出答案。
常见扣分点
把两个不同模型产生的 embedding 混在同一个索引里。
参考回答
Embedding 模型把文本变成一个固定长度的向量，比如几百或几千个数字。它的训练目标是让语义相近的文本在余弦相似度等度量下彼此接近。它不写任何东西，输出只用于比较。
生成式模型逐个生成 token。写出答案、摘要或 SQL 查询的是它。
两者解决的问题不同，成本也差很多。Embedding 便宜到可以在导入时为数百万份文档计算，所以语义搜索、去重、聚类和简单分类器都靠它。在 RAG 系统里，我对每个 chunk 做一次 embedding，请求时对 query 做 embedding，找出最近的 chunk，然后才付费让生成式模型阅读这几个 chunk 并作答。
常见追问
可以用生成式模型来产生 embedding 吗？ 可以取它的 hidden states，但用对比学习目标训练的专用 embedding 模型通常检索效果更好，也便宜得多。
中文手册想要完整的中文备考方法？
《如何从0到1准备AI Engineer面试》：20 章、5 套答题框架（FLAME、SPARK、FORGE、RISE、EMBER）、100 道题库和 8 周备考计划。
获取中文手册 优惠码 EARLYBF 立减 40%，截至太平洋时间 11 月 3 日 23:59更想读英文版？The 0→1 AI Engineer Interview Playbook，$19.99，Gumroad 英文版。也可以先免费领取 Top 30 题 PDF（英文）。