关于CoRom模型输出embedding类型的疑问

CoRom 模型是一种基于双塔结构的检索模型，它将 query 和 passage 分别输入到两个独立的神经网络中进行编码，得到对应的向量表示，然后通过计算向量之间的相似度来进行检索。

在 CoRom 模型中，query 和 passage 的向量表示是分别计算的，因此它们在代码中的处理方式也是不同的。具体来说：

对于 query，模型会将其传入 model.forward 函数的 source_sentence 参数中，然后使用 model.encode_query 函数对其进行编码，得到对应的向量表示。

对于 passage，模型会将其传入 model.forward 函数的 sentences_to_compare 参数中，然后使用 model.encode_sentences 函数对其进行编码，得到对应的向量表示。

需要注意的是，sentences_to_compare 参数可以传入多个句子，因为在进行检索时，模型可能需要同时对多个文本进行比较，以确定其相对重要性。

如果你想建立离线的 passage 向量表示，可以先使用 model.encode_sentences 函数计算出对应的向量表示，然后将其保存为文件或存储到数据库中等。在进行在线检索时，你可以直接使用这些向量表示，而不需要再次计算。