使用 Gensim 4.x 训练 word2vec 时，若词向量所有维度均集中在 [-0.003, 0.003] 极窄区间（远小于预期的 [-2, 2]），通常并非语料或任务本身问题，而是关键训练参数 workers=-1 非法导致模型未实际训练，仅返回未初始化/默认归一化的占位向量。
使用 gensim 4.x 训练 word2vec 时，若词向量所有维度均集中在 [-0.003, 0.003] 极窄区间（远小于预期的 [-2, 2]），通常并非语料或任务本身问题，而是关键训练参数 `workers=-1` 非法导致模型未实际训练，仅返回未初始化/默认归一化的占位向量。
在您基于 mol2vec 框架重训分子嵌入模型的过程中，观察到所有词向量幅值极小（min ≈ -0.003, max ≈ 0.003），而官方预训练模型向量范围为 [-2, 2]，这一现象几乎可以确定是训练未真正执行所致，而非语料质量、分词合理性（如 Morgan fingerprint ID 序列）或超参（vector_size, window, min_count）设置不当。
根本原因在于：workers=-1 是 Gensim 4.0+ 中非法参数。Gensim 的 Word2Vec 构造器明确要求 workers 为正整数（≥1），表示参与训练的 CPU 工作线程数。传入 -1 不会自动映射为“使用全部核心”，而是触发静默降级行为——Gensim 将忽略该参数，回退至单线程（workers=1）甚至更糟：某些版本下直接跳过多线程初始化逻辑，导致模型未进行任何有效迭代，wv.vectors 保留随机初始化后立即被归一化或缩放的残留值，表现为全量微小数值。
您提到训练“瞬间完成”，这正是最典型的诊断信号：一个含 2000 万句子、数千万词的语料，若 workers 失效，训练不会耗时数分钟以上，而可能在秒级结束，且损失值（loss）不下降、向量无区分度。
✅ 正确做法如下：
-
显式指定合法
workers值：
根据您的机器 CPU 核心数合理设置（推荐值见下表），绝对避免-1：CPU 物理核心数 推荐 workers值4 3–4 8 4–8 16+ 8–12（不建议 >16） import multiprocessing # 自动获取可用核心数（安全上限） num_cores = multiprocessing.cpu_count() workers = max(1, min(12, num_cores - 1)) # 保留1核给系统，上限12 model = word2vec.Word2Vec( corpus, vector_size=300, window=10, min_count=4, workers=workers, # ✅ 关键修正：使用正整数 sg=1, epochs=5, # Gensim 4.x 要求显式指定 epochs，默认为5，但建议明确写出 compute_loss=True # 开启损失计算，便于监控训练状态 ) -
启用日志监控，验证训练有效性：
在训练前添加日志配置，确保看到迭代进度与损失下降：import logging logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO) # 训练后检查损失是否收敛 print(f"Final training loss: {model.get_latest_training_loss()}") -
其他关键注意事项：
-
epochs必须显式指定：Gensim 4.x 移除了iter参数，改用epochs（默认为 5）。若未设置，可能仅训练 1 轮，导致欠拟合。 -
语料格式无问题：您使用的数字 ID 序列（如
2246997334 3696389118 ...）完全符合 word2vec 输入要求，mol2vec 的设计本就依赖此类子结构哈希码。 - 向量范围由训练动态决定：正常训练后，向量会通过梯度更新自然分布在 [-2, 2] 或类似范围；微小值是“未训练”的铁证，而非归一化结果（Gensim 默认不自动 L2 归一化词向量）。
-
总结：请立即修正 workers 参数为正整数，并开启日志验证训练过程。一旦训练真正运行，您将观察到损失持续下降、向量范数显著增大，且相似分子 ID 的余弦相似度具备可解释性——这才是 mol2vec 语义嵌入应有的表现。
