先做一道六岁孩子都会的题：2.5 米离 3 米近，还是离 7.5 米近？
孩子会笑你。可你把这句话喂给市面最好的嵌入模型，它板着脸回答：离 7.5 米更近。
这不是段子，是苏黎世大学两位作者考完 24 个模型之后的结论。他们拿四类最老实巴交的物理量——质量、距离、时间、体积——去测嵌入空间。选它们是有理由的：这些量有别的语义没有的特权，它们有唯一、客观、公认的等价与远近。一米就是一米，谁也赖不掉。
成绩单：最好的模型（一个 e5 变体）Kendall τ 只有 53（满分一百）。全市场最顶尖的嵌入，在"谁离谁近"这件事上，只比抛硬币强一点。
后面还有两刀，一刀比一刀狠。
第一刀，重校准救不了。有人会辩解：也许只是相似度函数没调好？作者把相似度重新校准一遍，最大提升 12.33 个点，绝对水位还是 47。然后他们上了线性探针，直接检验"信息其实在、只是没对齐"这个假设。结论：排除。
第二刀，罪魁是"长得像"。他们生成一堆随机数字符串，算三种距离——字符级 Levenshtein、分词级 Levenshtein、真实数值差——然后看嵌入相似度跟哪一个最亲。结果稳定偏向字面距离。模型在读字符串，不是在量长度。最直观的是那个"棋盘格"：整数和整数排得整整齐齐，整数和小数就错位。2.5 米于是认识了 7.5 米，却没认出隔壁的 3 米。
还有一条反直觉的：这毛病跟规模无关。24 个模型里，老 mpnet 和新 LLM 底座半斤八两，有时候最小的 Qwen 反而对齐得最好。gemma 那个 300M 的嵌入，跟字面最亲、跟数值最远。
该泼的冷水我也得泼。这是个诊断实验，不是产品缺陷报告：基准是自造的，量纲量级都是挑过的；随机基线天然吃亏——对角线上"1 米对 1 米"这种同字符串对，所有模型都白送分，所以 53 这个数其实已经是偏乐观的读法。它没说嵌入废了，它说的是：别指望检索向量自己懂物理量。
这篇真正值钱的是结尾那句话。作者说，对比学习这个目标里，可能压根没有一股力会把空间往"按物理量排布"的方向压。要长出这种结构，要么它是自发涌现的，要么得有人把它写进评测。目前两者都没有。
所以下次有人拍胸脯说"我们 RAG 里的数值推理靠 embedding 就够了"，你可以把这道小学题递过去。
模型认得每一种鸟的名字，却不知道哪只离得更近。
*（arXiv 2609.20821，代码已开源）*