距离度量

三种常用类型

创建 Collection 时必选 distance：

类型	直觉	常见用途
Cosine	向量夹角，与长度关系弱	文本 Embedding 最常用
Euclid（L2）	欧氏空间直线距离	某些图像特征、需考虑幅值时
Dot	点积，与长度相关	向量已归一化时可与 Cosine 相关；部分模型推荐 Dot

必须与模型/评测时使用的度量一致。多数 sentence-transformers 文档推荐 Cosine；若模型说明写「用 dot product」，可选 Dot 或先对向量归一化再用 Cosine（需按模型文档）。

Cosine 为何适合文本

文本 Embedding 常已近似落在单位球附近，Cosine 对「语义方向」敏感，对向量模长不敏感，鲁棒性较好。

检索分数（score）

不同客户端/API 可能返回 相似度越大越好 或转换为距离；阅读你使用的 SDK 文档中的 SearchResult 说明。对比实验时固定 top_k 与 distance 即可。

能否改距离？

不能对已有 Collection 改距离类型；需 新建 Collection 并重新写入向量（或重新索引）。

小结

新手默认：Cosine + 与模型一致的维度。有疑问时查模型官方说明中的 similarity metric。