The Embedder's Dilemma: LLMs Are Better, but at What Cost?

• 类型：arxiv
• 标识：2608.12875
• 链接：https://arxiv.org/abs/2608.12875
• 主分类：rag
• 形态：method
• 被引：4
• 被引来源：Semantic Scholar
• S2被引：4
• OpenAlex被引：0
• 影响力被引：0
• TLDR：These results support a division of labour: use embedding models for similarity, classification, and clustering, and reserve LLMs for reasoning-intensive retrieval, and reserve LLMs for reasoning-intensive retrieval.
• OpenAlex ID：W7203490566
• OpenAlex DOI：10.48550/arxiv.2608.12875
• DOI：10.48550/arxiv.2608.12875
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2608.12875
• OpenAlex更新：2026-08-31
• 待LLM分类：否
• 标题中文：嵌入器的困境：LLM 更强，但代价几何？
• TLDR中文：这些结果支持一种分工：使用 embedding 模型处理相似度、分类与聚类任务，将 LLM 留给推理密集型的检索任务。
• 来源文件：
• /inbox/tom/_candidates/2026-08-22-agent-rag-longcontext-candidates.json
• /inbox/tom/_candidates/2026-08-23-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]