欸你知道嗎？先做 PCA 再砍維度，一般的 AI 向量模型也能壓縮得超乾淨

如果你有在用 AI 向量模型（embedding model）來做搜尋或推薦，你可能知道一個很煩的問題：大多數模型都沒有特別設計成可以隨意砍維度的，所以你直接把 1024 維砍成 512 維，效果就會爛掉。有個人想到一個超簡單的招：先在一堆向量上跑一次 PCA（就是那個統計學的降維技巧），把向量轉到 PCA 的座標系，然後再砍維度。這樣做的好處是，PCA 會自動把重要的資訊往前面推，所以你砍的時候就不是隨便亂砍了。他用 BGE-M3 這個模型實測，結果超扯：砍到 512 維，直接砍的話相似度掉到 0.707，但先做 PCA 的話還能維持 0.996（幾乎沒差）；砍到 384 維也是 0.609 對 0.990。簡單來說就是，用這招你可以把向量壓到原本的一半或三分之一，品質卻幾乎沒在掉，對於想省儲存空間或加快速度的人來說根本是救星。