大多数嵌入模型基准测试仅衡量语义相似度而我们测试的是事实准确性。我们在 49 万条亚马逊商品评论上对参数量从 2300 万到 80 亿的 16 款开源模型进行了测评。评分依据是模型能否通过精确 ASIN 匹配检索到正确的商品评论而非仅返回主题相似的文档。开源嵌入模型基准测试概览我们基于 100 条人工筛选的查询评估了模型的检索准确率与速度涵盖面向速度优化的轻量模型以及为最大化语义理解设计的大规模大语言模型嵌入。准确率Top-K 检索性能模型及平均准确率%e5-base-instruct81 e5-small78 llama-nemotron-8b77 e5-large-instruct73 gte-qwen2-7b71 e5-mistral-7b70 sfr-mistral69 gritlm-7b69 gte-multilingual64 bge-m363 nomic-embed-v1.557 jina-v347 qwen3-0.6b47 snowflake-arctic47 all-MiniLM-L6-v243 mpnet-base-v235什么是 Top-K 准确率Top-K 准确率衡量正确文档出现在前 K 个检索结果中的概率Top-1正确答案排在第一位精度最高Top-3正确答案出现在前 3 位结果中Top-5正确答案出现在前 5 位结果中RAG 最常用通常使用 3–5 个上下文文档AverageTop-1、Top-3、Top-5 准确率的平均值准确率越高模型越能稳定找到正确的商品评论。准确率结果核心结论Top-5 满分模型3 款 e5 系列模型e5-small、e5-base-instruct、e5-large-instruct实现100% Top-5 准确率允许 5 次检索时从未遗漏正确答案。Top-1 最佳模型llama-embed-nemotron-8b 以62% Top-1 准确率登顶远超参数量仅为其 1/70 的模型。大模型 Top-5 表现不佳尽管参数量 70–80 亿、向量维度 4096超大模型e5-mistral-7b、gte-qwen2-7b、sfr-mistral、gritlm-7b、llama-embed-nemotron-8bTop-5 准确率仅 82–90%而1.18 亿参数的 e5-small 达到 100%全面超越。效率悖论e5-small 推理速度比 llama-embed-nemotron-8b 快14 倍16ms vs 195ms且 Top-5 准确率更高100% vs 88%。最佳大模型gritlm-7b 在 7B 模型中 Top-5 准确率最高90%但存在排序异常Top-1 准确率仅 38%为同级最低说明模型能找到正确文档但难以将其排至首位。56% 集群5 款模型jina-v3、qwen3-0.6b、snowflake-arctic、all-MiniLM-L6-v2 等Top-5 准确率停滞在 56%与头部模型差距明显。参数量≠准确率最小模型 e5-small1.18 亿参数在商品搜索 Top-5 检索中超越了参数量为其 70 倍的模型。经典模型过时HuggingFace 下载量超 2 亿的 all-MiniLM-L6-v2Top-5 准确率仅 56%、Top-1 仅 28%2019 年架构已无法匹敌现代检索优化模型。延迟Latency模型及延迟毫秒 mse5-small16all-MiniLM-L6-v222mpnet-base-v225e5-base-instruct28bge-m337nomic-embed-v1.538gte-multilingual39e5-large-instruct40snowflake-arctic41jina-v364qwen3-0.6b110gte-qwen2-7b187llama-nemotron-8b195gritlm-7b209e5-mistral-7b220sfr-mistral221什么是延迟延迟ms仅指生成嵌入文本转向量的时间越低越好。本测试不含向量检索时间。该指标反映模型在生产环境中为用户提供服务的速度。性能结果核心结论速度冠军e5-small 嵌入延迟仅16ms为测试最快比大模型集群187–221ms快14 倍。延迟壁垒所有 7B 参数模型延迟均在 187–221ms比 1B 以下模型慢约 10 倍无 GPU 加速时不适合实时面向用户搜索。14 倍性能差llama-embed-nemotron-8b 处理 1 条查询的时间e5-small 可处理 14 条且 Top-5 准确率高 12%。30ms 以内集群5 款模型e5-small、all-MiniLM-L6-v2、mpnet-base-v2、e5-base-instruct、bge-m3延迟低于 30ms适合实时应用。生产最佳平衡点e5-small 与 e5-base-instruct 兼具超高准确率100% Top-5与低延迟30ms 内是生产级 RAG 系统理想选择。大模型取舍若需最高 Top-1 精度且可接受约 200ms 延迟llama-embed-nemotron-8b 为最优62% Top-1。注以上为纯模型推理时间不含向量库操作。所有模型均在 NVIDIA H100 GPU、BF16 精度下测试。开源嵌入模型技术参数表格排名模型参数维度最大长度e5-base-instruct2.79 亿768512e5-small1.18 亿384512e5-large-instruct5.6 亿10245124llama-embed-nemotron-8b80 亿4096327685gte-qwen2-7b70 亿3584327686gritlm-7b70 亿409681927e5-mistral-7b70 亿409640968sfr-mistral70 亿409640969gte-multilingual3.05 亿768819210bge-m35.68 亿10248192技术规格说明参数模型可训练权重规模更大模型5 亿 学习能力更强但内存与算力需求更高。维度文本转换后的向量长度如 384 即文档转为 384 维向量更高维度1024语义表达更细但存储与相似度计算更慢。最大长度单次输入可处理的最大 token 数近似单词数8192 可直接处理超长文档无需分块512 则需拆分。核心结论规格更大不代表性能更好。e5-small1.18 亿参数、384 维、512token虽参数最小却取得顶级效果。基准测试方法语料库与查询数据集49 万条亚马逊客户评论健康与个护品类每条评论 单个文档向量基于 Qdrant 构建索引使用余弦相似度测试集100 条人工筛选查询真实用户问题如 “这款益生菌对消化好吗”每条通过 ASIN 匹配唯一正确商品标准答案匹配评估采用商品ASIN亚马逊标准识别码精确匹配查询指定目标商品 ASIN模型返回 Top-5 文档按余弦相似度排序系统检查返回文档是否匹配标准答案 ASIN二元结果匹配 命中不匹配 未命中示例查询“Aloha Hawaii 夏威夷坚果油值得买吗”正确 ASINB00ABC123返回 Top-5 中第 3 位为该 ASIN即 Top-3 命中、Top-5 命中。该方式保证商品级事实准确性而非仅语义相似。余弦相似度的作用使用场景Qdrant 内部对 49 万文档按查询相似度排序返回前 5。不使用场景标准答案验证为ASIN 精确字符串匹配相似度高≠答案正确。关键意义模型可能返回语义相似但事实错误的文档因此事实准确性比语义相关对 RAG 更重要。评估环境硬件NVIDIA H100 80GB GPURunPodBF16 精度向量库Qdrant本地实例模式零样本无微调公平性保证所有模型使用相同语料、查询、硬件、预处理、独立集合、原生维度与 BF16 精度。评估指标Top-K 准确率Top-K 中包含正确 ASIN 的查询数 / 100测试 K1、3、5。性能平均延迟仅嵌入生成时间。局限性领域特定结果基于健康个护商品检索法律、金融、代码搜索可能不同。硬件依赖H100 测试消费级 GPU 慢 2–3 倍CPU 慢 10–50 倍。显存需求7B 模型 BF16 下需 16–20GB 显存小显存显卡需 INT8 量化准确率可能降 5–10%。ASIN 匹配仅适用于带唯一标识的数据集无标识数据集需其他验证方式。仅零样本未做领域微调微调后排名可能变化。开源嵌入模型介绍llama-embed-nemotron-8bNVIDIA 旗舰嵌入模型基于 Llama-3.1-8B 与双向注意力面向企业级 RAG。所有模型中Top-1 准确率最高62%Top-5 准确率 88%低于 e5 系列满分适合重视首条精度且有 GPU 基础设施的企业部署。e5-small轻量多语言检索编码器优化高吞吐语义搜索常用于实时 RAG、推荐、商品检索。100% Top-5 准确率延迟最低综合平衡最佳。e5-base-instruct指令微调对齐查询–文档适合任务感知搜索、AI 助手、引导检索流程。e5-large-instruct高容量版本面向企业知识搜索、法务检索、复杂查询准确率优先但推理成本更高。gte-multilingual支持 70 语言用于跨语言搜索、全球内容检索准确率可靠但延迟更高。bge-m3多表示编码器支持稠密 / 稀疏 / 混合向量检索适配长文档但准确率与延迟弱于小型优化模型。nomic-embed-v1.5混合专家模型 嵌套降维面向成本敏感向量搜索速度与准确率未超越小型稠密模型。jina-v3多语言检索模型面向跨域文档搜索与企业知识检索实体级精确匹配未达顶级。qwen3-0.6b多语言检索模型优化指令驱动搜索准确率尚可但延迟偏高。snowflake-arctic面向企业级语义搜索稳定性好但准确率与延迟弱于小型检索优化模型。all-MiniLM-L6-v2轻量 CPU 友好编码器广泛用于本地搜索、原型、边缘部署但实体精确匹配准确率低。mpnet-base-v2面向语义相似度与聚类精确商品检索弱于检索专用紧凑型模型。部署嵌入模型关键考量性能与准确率选择匹配领域检索需求的模型参考权威基准测试大模型语义理解更强但需权衡部署限制。延迟与扩容实时应用需低延迟优先小型高效模型RAG 检索延迟直接影响用户体验。与复杂 AI 系统集成选择支持多模型部署、分布式编排、可观测性的平台。许可与商用16 款模型均公开权重其中 3 款限制商用MIT/Apache 2.0可自由商用CC-BY-NC-4.0禁止商用NVIDIA Nemotron仅限非商用 / 研究Jina V3商用需咨询大模型 Top-5 表现不佳原因推测中心性效应高维向量空间易出现中心向量导致大模型高维向量 Top-5 召回率低。训练目标不同小模型更优化召回大模型更侧重精度排序校准存在差异。领域适配部分模型训练数据更适合商品搜索场景。什么是开源嵌入模型公开可用的 AI 模型将文本转为数值向量支持语义比较、聚类、搜索。与闭源 API 相比优势数据完全自有不泄露查询规模化成本更低可领域微调支持离线 / 私有化部署可自由平衡延迟、体积、准确率嵌入模型应用场景语义搜索基于概念而非关键词提升搜索准确率。信息检索IRRAG 核心组件提升大模型内容准确性与时效性。聚类与分类按语义分组文本如客服工单分类。推荐系统理解用户偏好提供个性化推荐。结论本次测试揭示商品检索中模型越大未必越好。最高 Top-5 召回e5-small /e5-base-instruct /e5-large-instruct100%最高 Top-1 精度llama-embed-nemotron-8b62%最佳大模型gritlm-7b90% Top-5多语言gte-multilingual-base /gte-qwen2-7b实时应用e5-small16ms 100% Top-5不推荐all-MiniLM-L6-v2、qwen3-0.6b生产建议多数 RAG 应用检索 3–5 个文档时e5-small 或 e5-base-instruct 性价比最高16–28ms 延迟即可实现满分召回。仅当 Top-1 精度至关重要时大模型才具备优势但其速度仍比轻量模型慢 12 倍以上。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
16款开源Embedding模型大比拼（非常详细），RAG最佳实践从入门到精通，收藏这一篇就够了！
发布时间：2026/7/14 10:02:18
大多数嵌入模型基准测试仅衡量语义相似度而我们测试的是事实准确性。我们在 49 万条亚马逊商品评论上对参数量从 2300 万到 80 亿的 16 款开源模型进行了测评。评分依据是模型能否通过精确 ASIN 匹配检索到正确的商品评论而非仅返回主题相似的文档。开源嵌入模型基准测试概览我们基于 100 条人工筛选的查询评估了模型的检索准确率与速度涵盖面向速度优化的轻量模型以及为最大化语义理解设计的大规模大语言模型嵌入。准确率Top-K 检索性能模型及平均准确率%e5-base-instruct81 e5-small78 llama-nemotron-8b77 e5-large-instruct73 gte-qwen2-7b71 e5-mistral-7b70 sfr-mistral69 gritlm-7b69 gte-multilingual64 bge-m363 nomic-embed-v1.557 jina-v347 qwen3-0.6b47 snowflake-arctic47 all-MiniLM-L6-v243 mpnet-base-v235什么是 Top-K 准确率Top-K 准确率衡量正确文档出现在前 K 个检索结果中的概率Top-1正确答案排在第一位精度最高Top-3正确答案出现在前 3 位结果中Top-5正确答案出现在前 5 位结果中RAG 最常用通常使用 3–5 个上下文文档AverageTop-1、Top-3、Top-5 准确率的平均值准确率越高模型越能稳定找到正确的商品评论。准确率结果核心结论Top-5 满分模型3 款 e5 系列模型e5-small、e5-base-instruct、e5-large-instruct实现100% Top-5 准确率允许 5 次检索时从未遗漏正确答案。Top-1 最佳模型llama-embed-nemotron-8b 以62% Top-1 准确率登顶远超参数量仅为其 1/70 的模型。大模型 Top-5 表现不佳尽管参数量 70–80 亿、向量维度 4096超大模型e5-mistral-7b、gte-qwen2-7b、sfr-mistral、gritlm-7b、llama-embed-nemotron-8bTop-5 准确率仅 82–90%而1.18 亿参数的 e5-small 达到 100%全面超越。效率悖论e5-small 推理速度比 llama-embed-nemotron-8b 快14 倍16ms vs 195ms且 Top-5 准确率更高100% vs 88%。最佳大模型gritlm-7b 在 7B 模型中 Top-5 准确率最高90%但存在排序异常Top-1 准确率仅 38%为同级最低说明模型能找到正确文档但难以将其排至首位。56% 集群5 款模型jina-v3、qwen3-0.6b、snowflake-arctic、all-MiniLM-L6-v2 等Top-5 准确率停滞在 56%与头部模型差距明显。参数量≠准确率最小模型 e5-small1.18 亿参数在商品搜索 Top-5 检索中超越了参数量为其 70 倍的模型。经典模型过时HuggingFace 下载量超 2 亿的 all-MiniLM-L6-v2Top-5 准确率仅 56%、Top-1 仅 28%2019 年架构已无法匹敌现代检索优化模型。延迟Latency模型及延迟毫秒 mse5-small16all-MiniLM-L6-v222mpnet-base-v225e5-base-instruct28bge-m337nomic-embed-v1.538gte-multilingual39e5-large-instruct40snowflake-arctic41jina-v364qwen3-0.6b110gte-qwen2-7b187llama-nemotron-8b195gritlm-7b209e5-mistral-7b220sfr-mistral221什么是延迟延迟ms仅指生成嵌入文本转向量的时间越低越好。本测试不含向量检索时间。该指标反映模型在生产环境中为用户提供服务的速度。性能结果核心结论速度冠军e5-small 嵌入延迟仅16ms为测试最快比大模型集群187–221ms快14 倍。延迟壁垒所有 7B 参数模型延迟均在 187–221ms比 1B 以下模型慢约 10 倍无 GPU 加速时不适合实时面向用户搜索。14 倍性能差llama-embed-nemotron-8b 处理 1 条查询的时间e5-small 可处理 14 条且 Top-5 准确率高 12%。30ms 以内集群5 款模型e5-small、all-MiniLM-L6-v2、mpnet-base-v2、e5-base-instruct、bge-m3延迟低于 30ms适合实时应用。生产最佳平衡点e5-small 与 e5-base-instruct 兼具超高准确率100% Top-5与低延迟30ms 内是生产级 RAG 系统理想选择。大模型取舍若需最高 Top-1 精度且可接受约 200ms 延迟llama-embed-nemotron-8b 为最优62% Top-1。注以上为纯模型推理时间不含向量库操作。所有模型均在 NVIDIA H100 GPU、BF16 精度下测试。开源嵌入模型技术参数表格排名模型参数维度最大长度e5-base-instruct2.79 亿768512e5-small1.18 亿384512e5-large-instruct5.6 亿10245124llama-embed-nemotron-8b80 亿4096327685gte-qwen2-7b70 亿3584327686gritlm-7b70 亿409681927e5-mistral-7b70 亿409640968sfr-mistral70 亿409640969gte-multilingual3.05 亿768819210bge-m35.68 亿10248192技术规格说明参数模型可训练权重规模更大模型5 亿 学习能力更强但内存与算力需求更高。维度文本转换后的向量长度如 384 即文档转为 384 维向量更高维度1024语义表达更细但存储与相似度计算更慢。最大长度单次输入可处理的最大 token 数近似单词数8192 可直接处理超长文档无需分块512 则需拆分。核心结论规格更大不代表性能更好。e5-small1.18 亿参数、384 维、512token虽参数最小却取得顶级效果。基准测试方法语料库与查询数据集49 万条亚马逊客户评论健康与个护品类每条评论 单个文档向量基于 Qdrant 构建索引使用余弦相似度测试集100 条人工筛选查询真实用户问题如 “这款益生菌对消化好吗”每条通过 ASIN 匹配唯一正确商品标准答案匹配评估采用商品ASIN亚马逊标准识别码精确匹配查询指定目标商品 ASIN模型返回 Top-5 文档按余弦相似度排序系统检查返回文档是否匹配标准答案 ASIN二元结果匹配 命中不匹配 未命中示例查询“Aloha Hawaii 夏威夷坚果油值得买吗”正确 ASINB00ABC123返回 Top-5 中第 3 位为该 ASIN即 Top-3 命中、Top-5 命中。该方式保证商品级事实准确性而非仅语义相似。余弦相似度的作用使用场景Qdrant 内部对 49 万文档按查询相似度排序返回前 5。不使用场景标准答案验证为ASIN 精确字符串匹配相似度高≠答案正确。关键意义模型可能返回语义相似但事实错误的文档因此事实准确性比语义相关对 RAG 更重要。评估环境硬件NVIDIA H100 80GB GPURunPodBF16 精度向量库Qdrant本地实例模式零样本无微调公平性保证所有模型使用相同语料、查询、硬件、预处理、独立集合、原生维度与 BF16 精度。评估指标Top-K 准确率Top-K 中包含正确 ASIN 的查询数 / 100测试 K1、3、5。性能平均延迟仅嵌入生成时间。局限性领域特定结果基于健康个护商品检索法律、金融、代码搜索可能不同。硬件依赖H100 测试消费级 GPU 慢 2–3 倍CPU 慢 10–50 倍。显存需求7B 模型 BF16 下需 16–20GB 显存小显存显卡需 INT8 量化准确率可能降 5–10%。ASIN 匹配仅适用于带唯一标识的数据集无标识数据集需其他验证方式。仅零样本未做领域微调微调后排名可能变化。开源嵌入模型介绍llama-embed-nemotron-8bNVIDIA 旗舰嵌入模型基于 Llama-3.1-8B 与双向注意力面向企业级 RAG。所有模型中Top-1 准确率最高62%Top-5 准确率 88%低于 e5 系列满分适合重视首条精度且有 GPU 基础设施的企业部署。e5-small轻量多语言检索编码器优化高吞吐语义搜索常用于实时 RAG、推荐、商品检索。100% Top-5 准确率延迟最低综合平衡最佳。e5-base-instruct指令微调对齐查询–文档适合任务感知搜索、AI 助手、引导检索流程。e5-large-instruct高容量版本面向企业知识搜索、法务检索、复杂查询准确率优先但推理成本更高。gte-multilingual支持 70 语言用于跨语言搜索、全球内容检索准确率可靠但延迟更高。bge-m3多表示编码器支持稠密 / 稀疏 / 混合向量检索适配长文档但准确率与延迟弱于小型优化模型。nomic-embed-v1.5混合专家模型 嵌套降维面向成本敏感向量搜索速度与准确率未超越小型稠密模型。jina-v3多语言检索模型面向跨域文档搜索与企业知识检索实体级精确匹配未达顶级。qwen3-0.6b多语言检索模型优化指令驱动搜索准确率尚可但延迟偏高。snowflake-arctic面向企业级语义搜索稳定性好但准确率与延迟弱于小型检索优化模型。all-MiniLM-L6-v2轻量 CPU 友好编码器广泛用于本地搜索、原型、边缘部署但实体精确匹配准确率低。mpnet-base-v2面向语义相似度与聚类精确商品检索弱于检索专用紧凑型模型。部署嵌入模型关键考量性能与准确率选择匹配领域检索需求的模型参考权威基准测试大模型语义理解更强但需权衡部署限制。延迟与扩容实时应用需低延迟优先小型高效模型RAG 检索延迟直接影响用户体验。与复杂 AI 系统集成选择支持多模型部署、分布式编排、可观测性的平台。许可与商用16 款模型均公开权重其中 3 款限制商用MIT/Apache 2.0可自由商用CC-BY-NC-4.0禁止商用NVIDIA Nemotron仅限非商用 / 研究Jina V3商用需咨询大模型 Top-5 表现不佳原因推测中心性效应高维向量空间易出现中心向量导致大模型高维向量 Top-5 召回率低。训练目标不同小模型更优化召回大模型更侧重精度排序校准存在差异。领域适配部分模型训练数据更适合商品搜索场景。什么是开源嵌入模型公开可用的 AI 模型将文本转为数值向量支持语义比较、聚类、搜索。与闭源 API 相比优势数据完全自有不泄露查询规模化成本更低可领域微调支持离线 / 私有化部署可自由平衡延迟、体积、准确率嵌入模型应用场景语义搜索基于概念而非关键词提升搜索准确率。信息检索IRRAG 核心组件提升大模型内容准确性与时效性。聚类与分类按语义分组文本如客服工单分类。推荐系统理解用户偏好提供个性化推荐。结论本次测试揭示商品检索中模型越大未必越好。最高 Top-5 召回e5-small /e5-base-instruct /e5-large-instruct100%最高 Top-1 精度llama-embed-nemotron-8b62%最佳大模型gritlm-7b90% Top-5多语言gte-multilingual-base /gte-qwen2-7b实时应用e5-small16ms 100% Top-5不推荐all-MiniLM-L6-v2、qwen3-0.6b生产建议多数 RAG 应用检索 3–5 个文档时e5-small 或 e5-base-instruct 性价比最高16–28ms 延迟即可实现满分召回。仅当 Top-1 精度至关重要时大模型才具备优势但其速度仍比轻量模型慢 12 倍以上。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
