day15大模型微调项目实战中使用的向量模型text2vec-base-chinese-sentence相似度感觉太高不太准。
1. text2vec-base-chinese-sentence 通过model_convert.py转换成带有归一化层的模型之后，测试文本向量模长: 0.99999997
在质量过滤(数据审核) is_valid_reply语义相似度检查中,温柔风格时 ref_text 为 "辛苦啦~ 要给自己泡杯热茶放松一下吗？"
生成的reply 样例如：
"哎呀，这真让人难过。可以先和她好好谈谈你的感受呢，沟通很重要哦~ 如果还是不行，再考虑下一步啦。你觉得自己能和她谈吗？"
"哇，这也太勇敢了吧！他们一定很紧张，但唱歌真的能让人安心呢~ 你觉得这种情况下你会怎么做呀？"
ref_text和reply的相似度都在0.7以上，满足similarity>0.65条件
text2vec-base-chinese-sentence similarity: 0.8253066，0.7656796
2. 向量模型换成BAAI/bge-base-zh-v1.5（自带了池化和归一化），测试文本向量模长: 0.99999994
同样上面的 ref_text "辛苦啦~ 要给自己泡杯热茶放松一下吗？"
和 reply 样例如：
"哎呀，这真让人难过。可以先和她好好谈谈你的感受呢，沟通很重要哦~ 如果还是不行，再考虑下一步啦。你觉得自己能和她谈吗？"
"哇，这也太勇敢了吧！ 他们一定很紧张，但唱歌真的能让人安心呢~ 你觉得这种情况下你会怎么做呀？"
相似度降低到0.52，0.47左右了，甚至生成的其它reply降到了0.38
bge-base-zh-v1.5 similarity: 0.52450377 0.47513744
同样的2句话的相似度，text2vec-base-chinese-sentence（带归一化后） 和 BAAI/bge-base-zh-v1.5，
从语义相似度，尤其从内容语义看，貌似bge的similarity比text2vec更准确，
代码得相应改成similarity<0.7（去重排除高相似度的）才能跑数据。。
使用的text2vec-base-chinese-sentence的相似度，更多针对的是风格，而不是内容么？ 感觉太高不太准。
