长文本向量模型能够将十页长的文本编码为单个向量，听起来很强大，但真的实用吗？
很多人觉得... 未必。
直接用行不行？该不该分块？怎么分才最高效？本文将带你深入探讨长文本向量模型的不同分块策略，分析利弊，帮你避坑。
长文本向量化的问题
首先，让我们看看将整篇文章压缩成单一向量会存在哪些问题。
以构建文档搜索系统为例，单篇文章可能包含多个主题。 比如这篇关于 ICML 2024 参会报告的博客，就包含会议介绍、Jina AI 的工作展示 (jina-clip-v1) 以及其他研究论文总结。如果将整篇文章向量化成单一向量，该向量将混合三个不同主题的信息：
这会导致以下问题：
1. 表示稀释(Representation Dilution)
表示稀释会削弱文本向量的精度。虽然博客文章包含了多个主题，但用户的搜索查询往往只关注其中一个。用单个向量表示整篇文章，相当于将所有主题信息压缩到向量空间中的一个点。随着更多文本添加到模型的输入中，这个向量会逐渐代表文章的整体主题，稀释特定段落或主题的细节。这就像把多种颜料混合成了一种颜色，用户想找到某种特定颜色时，就很难从混合色中识别出来。
2. 容量有限
模型生成的向量维度是固定的，长文本包含大量信息，转化过程中必然会导致信息损失。就好比把高清地图压缩成邮票，很多细节都看不清了。
3. 信息丢失
很多长文本模型最多只能处理 8192 token。更好的文本得截断一部分，通常是截断后面的内容，要是关键信息在文档末尾，就可能导致检索失败了。
4. 分块需求
有些应用只需要对文本的特定片段做向量化处理，比如问答系统，只需提取包含答案的段落进行向量化。这种情况下，还是需要对文本进行分块处理。
3 种长文本处理策略
在实验开始之前，为了避免概念混淆，我们首先定义三个分块的策略：
1. 不分块(No Chunking)：将整个文本直接编码成单一向量。
2. 朴素分块(Naive Chunking)：先将文本分成多个文本块，并分别进行向量化。常用的方法有固定大小分块，将文本分割成固定 token 数量的块；基于句子的分块: 以句子为单位进行分块；基于语义的分块: 根据语义信息进行分块。在本次实验，使用的是固定大小分块。
3. 迟分(Late Chunking)：是一种先通读全文再分块的新方法，包含两个主要步骤：
编码全文：先编码整个文档，得到每个 token 的向量表示，保留完整的上下文信息。
分块池化：根据分块边界，对同一个文本块的 token 向量进行平均池化，生成每个文本块的向量。由于每个 token 的向量是在全文的语境下生成的，因此迟分可以保留块之间的上下文信息。
对于超过模型最大输入长度 (例如 8192 tokens) 的超长文本，我们采用 长文本迟分(Long Late Chunking)，在迟分的基础上增加了预分割步骤，先将文档分割成多个重叠的宏块，每个宏块的长度都在模型可处理范围内。然后，在每个宏块内部应用标准的迟分策略（编码和池化）。宏块之间的重叠部分用于确保上下文信息的连续性。
那么，哪种方法最好呢？
为了对比，我们在 5 个数据集上，使用 jina-embeddings-v3 进行了实验，所有长文本都被截断至模型最大输入长度 (8192 Tokens)，并按每 64 个 Token 为一个文本块进行分割。
下图展示了 3 种方法在不同任务上的表现差异，并没有一种方法在所有情况下都最好，选择哪种方法取决于具体的任务。
?? 找具体事实，朴素分块好。
如果需要从文本中提取具体的、局部的事实信息（例如，“谁偷了东西？”），像 QMSum、NarrativeQA 和 2WikiMultiHopQA 这几个数据集，朴素分块比把整个文档向量化表现要好。因为答案通常位于文本的某个特定部分，朴素分块能够更精准地定位到包含答案的文本块，而不会被其他无关信息干扰。
但是朴素分块也会因为切断了上下文，可能丢失全局信息，无法正确解析文本中的指代关系和引用。
?? 文章主题连贯，迟分更好。
如果文章主题很清晰，且篇章结构连贯，迟分方法会更有效。因为迟分考虑了上下文，能更好地理解每个部分的意义和关联，包括长文本里面的指代关系。
但如果文章里夹杂着很多和主题无关的内容，迟分反而会因为考虑了这些“噪音”导致性能回退，准确率下降。像 NarrativeQA、2WikiMultiHopQA，迟分表现不如朴素分块，就是因为这些文章里无关信息太多了。
分块大小是否有影响？
下图展示了不同分块大小下，朴素分块和迟分方法在不同数据集上的表现：
从图中我们可以看出，最佳的分块大小其实要看具体的数据集是什么样的。
对于迟分方法，较小的分块能更好地抓住上下文信息，所以效果更好。尤其是，如果数据集里有很多和主题无关的内容（就像 NarrativeQA 数据集那样），过大的上下文反而会引入噪音，损害性能。
对于朴素分块，大一些的分块有时效果会更好，因为包含的信息更全面，损失也更小。但有时候，分块太大，信息又太杂乱，反而降低了检索的准确性。所以，最佳的分块大小，需要根据具体的数据集和任务来调整，没有一个一刀切的答案。
理解了不同分块策略的优缺点后，我们该如何选择合适的策略呢？
1. 全文向量化（不分块）适合哪些情况？
主题单一，关键信息集中在开头：比如结构化的新闻报道，关键信息往往在标题和开头段落中。这种情况下，直接使用全文向量化通常能够获得不错的效果，因为模型能够捕捉到主要信息。 通常来说，把尽可能多的文本内容放进模型不会影响检索结果。但是，长文本模型往往更关注开头部分（标题、引言等），中间和结尾部分的信息可能会被忽略。所以，如果关键信息在文章中间或结尾，这种方法的效果就会大打折扣。 详细实验结果见：https://jina.ai/news/still-need-chunking-when-long-context-models-can-do-it-all
2. 朴素分块（Naive Chunking）适合哪些情况？
主题多样，需要检索特定信息：如果你的文本包含多个主题，或者用户查询的目标是文本中的某个具体事实，那么朴素分块是一个不错的选择。它能够有效避免信息稀释，提高检索特定信息的准确率。
需要展示局部文本片段：类似于搜索引擎，需要在结果中展示与查询相关的文本片段，就必须采用分块策略。
另外，分块也会因为要向量化更多文本块而影响存储空间和处理时间。
3. 迟分（Late Chunking）适合哪些情况？
主题连贯，需要上下文信息：对于主题连贯的长文本，例如论文、长篇报道等，迟分方法能够有效保留上下文信息，从而更好地理解文本的整体语义。它尤其适用于需要理解文本中不同部分之间关系的任务，例如阅读理解和长文本语义匹配。
需要平衡局部细节和全局语义：迟分方法在较小的分块大小下，能够有效平衡局部细节和全局语义，在许多情况下能够取得比其他两种方法更好的效果。但要注意，如果文章里有很多无关紧要的内容，迟分反而会因为考虑了这些无关信息而影响效果。
结论
长文本向量化策略的选择是一个复杂的问题，没有一刀切的最佳方案，需要考虑数据特点和检索目标，包括前面提到的文本长度、主题数量、关键信息位置。
本文希望提供一个关于不同分块策略的比较分析框架，并通过实验结果提供了一些参考。在实际应用时，大家可以多对比实验，选择最适合自己场景的策略。
