构建领域专属嵌入模型曾是 RAG 系统的瓶颈，通用模型难以理解特定领域的细微差别。NVIDIA 推出了一套新解决方案，利用单一 GPU 和不到一天的时间，将通用嵌入模型微调为领域专用模型，且无需人工标注数据。 该方案基于开源项目 NeMo，核心流程分为六步：首先，利用 LLM 从领域文档自动合成高质量的问答对，涵盖简单查询与多跳推理；其次，通过硬负例挖掘技术，让模型识别易混淆的非相关文本，提升区分度；接着，将多跳问题拆解为独立的训练样本，增强模型处理复杂上下文的能力；随后，使用双塔架构和对比损失函数对基础模型进行微调；之后，通过 BEIR 框架评估效果，通常 Recall@10 和 NDCG@10 能提升超过 10%；最后，将模型导出为 ONNX 或 TensorRT 格式，并部署至 NVIDIA NIM 容器，提供兼容 OpenAI 标准的 API 接口。 实测数据显示，该方法效果显著。基于 NVIDIA 公开文档合成的数据集训练，指标提升超 10%；Atlassian 将相同流程应用于 JIRA 数据集后，Recall@60 从 0.751 跃升至 0.951，提升近 27%。整个流程不仅支持本地运行，也可在 Docker 或集群中执行，各阶段数据格式通用，便于集成。对于约 500 份文档的小规模语料，全流程仅需两至三小时。企业只需提供领域文档，即可快速构建高性能、低成本的专属检索模型，彻底解决 RAG 系统在地化落地难题。