一句话定义：表示坍缩（Representation Collapse）指模型学到的表示空间退化：语义上差别很大的输入，被映射到几乎相同的向量上，或者全都挤进一个很低的子空间，导致模型看上去什么都能应付，实际上已经分不开了。
打个比方：一座图书馆。理想情况下，每本书有唯一索书号，讲烘焙的挨在一起，讲历史的在另一头。坍缩就是管理员偷懒，把所有书都堆到同一个角落，索书号一律写成"A001"。你问"找本讲烘焙的"，他随手抽一本给你，好像也能答上；但你要找"那本讲欧包发酵的"，他挑不出来。检索、去重、聚类、推荐这些靠"向量距离"吃饭的功能，会一起悄悄失效。
两种常见形态：
- 完全坍缩（total collapse）：所有输入输出同一个向量，编码器退化成常数函数。
- 维度坍缩（dimensional collapse）：向量没有完全一样，但都躺在一个很低的子空间里——比如 768 维里只有几维在动。看起来多样，实际自由度极低。
为什么会发生：
- 目标太"宽容"。自监督对比学习里，如果只有"拉近正样本"、没有"推开负样本"，模型会发现"全部输出同一个向量"是最省力的解，损失直接降到最低。这是经典的捷径解（shortcut solution），所以才有 stop-gradient、方差-协方差正则、白化（whitening）这些补丁。
- 训练信号太稀疏。推荐系统、多任务模型里，长尾用户和长尾任务样本极少，梯度推不动它们各自的向量，最后大家一起滑向"平均值"。
- 可更新方向太少。小数据微调，或者用低秩适配（如 LoRA 一类方法）只更新少量参数时，模型倾向用少数几个方向解释所有输入，区分度被压扁。
和相邻概念的区别：
| 概念 | 说的是什么 | 典型表现 |
|---|---|---|
| 表示坍缩 | 表示空间退化，不同输入挤成一点 | 检索、聚类、区分能力下降，但训练损失可能很漂亮 |
| 过拟合 | 记住了训练集的细节和噪声 | 训练集好、测试集差 |
| AI 词典：灾难性遗忘">灾难性遗忘 | 学新任务时丢掉旧任务的能力 | 旧任务指标断崖式下跌 |
| 过度平滑 | 图神经网络深层节点特征趋同 | 节点难以区分，层数越深越明显 |
坍缩最迷惑人的地方就在表格第一行：它不报错、不告警，只是默默把模型的"分辨率"调低了。
对从业者的意义：别只盯 loss 和准确率。抽一批样本的向量，算算平均余弦相似度、看看有效秩（effective rank）、画个降维图看是否糊成一团。经验上，如果两个八竿子打不着的样本相似度都在 0.9 以上，基本可以怀疑坍缩了。做 RAG、向量检索、推荐的团队尤其要盯这个指标——向量全挤在一起，召回率会莫名偏低，而日志里什么异常都没有。
对普通职场人：如果你在用向量库做语义搜索或内容去重，发现"搜什么都是差不多那几条"，除了怀疑数据脏，也值得怀疑是嵌入模型塌了。换模型前建议先在小样本上验证一下，具体选型以官方页面为准。