给十亿份资料更换 embedding model（把内容转成语义向量的模型），像换了整套编目规则：旧向量与新查询不再天然匹配，通常得把全库重新计算一遍。项目作者估算，用 H100 处理十亿份文档，按 Qwen 8B embedding 每秒 106 份计算，约需 108 天。对依赖向量数据库检索资料的 RAG（先找资料、再让模型回答）来说，这是一笔很难忽略的升级成本。
embedflow 的办法是保留旧索引：先用它找出 K 份候选文档，再由新模型重排——也就是重新打分排序。作者测试了 63 组模型迁移，数据规模最高为 100 万份文档；其中效果最好的一组从 Qwen 4B 升至 8B，只需重排 50 份候选，检索质量便与完全使用新模型的原生检索相同。它省掉的是升级前必须完成的全库回填，但关键难点仍是为具体数据和模型找到足够大的 K；上述效果与耗时均来自作者自述。