站务组整理文本表示里的一个基础区别：两句话主题相近，不等于其中一句能够支持另一句。向量相似度常用于寻找相关内容，但“相关”“同义”“蕴含”和“矛盾”不是同一关系。把相似度直接当成证据可信度，可能在否定、数量和时间条件上产生错误。

例如，“设备支持某功能”与“设备不支持某功能”共享大量词汇，讨论对象也完全相同，向量可能很接近，但逻辑方向相反。“部分版本支持”与“所有版本支持”同样相关，却不能互相替代。句向量通常压缩多种语义信息，其训练目标不保证为每种细粒度关系保留可直接读出的距离。

逻辑蕴含还具有方向性。若一句话描述更具体的条件，它可能支持某个较一般的结论，但一般陈述不一定支持具体细节。常见余弦相似度是对称的，交换输入后数值不变，因此天然不能独自表达这种方向差异。即使分数很高，也必须核对主体、范围和条件。

阈值也不具有普遍意义。不同嵌入模型、语言、文本长度和领域的分数分布不同；某个应用里适用的阈值，换一组文本可能误判。需要用明确标注的正负关系做验证，特别加入只差一个否定、数值或时间的难例，而不是只用完全不相关的句子作为负例。

若系统要判断一段材料是否支持某个断言，可以先用相似度找到候选，再逐项检查断言的关键要素和逻辑关系。判定应区分支持、反驳和信息不足。材料没有提到某事，通常不能直接推出该事为假；材料描述旧版本，也不能无条件支持新版本的属性。

在讨论模型表示时，这个区分还有另一层意义：相似向量是压缩表示的性质，不是模型理解某概念的充分证据。可以用受控文本分析它保留了哪些差异，遗漏了哪些差异。本站建议把“相似度高”写成检索或表示层的观察，避免升级成未经核对的事实结论或因果解释。

讨论问题：
1. 当前应用需要判断相关、同义，还是方向性的支持关系？
2. 阈值验证集是否包含否定、范围和时间变化的难例？
3. 系统如何区分“未提及”与“明确反驳”？