我可以看到，在英语spaCy模型中，中型模型的性能优于小型模型，大型模型的性能优于中型模型 - 但只是略微。但是，在模型的描述中，写道它们都已在OntoNotes上进行了训练。唯一的例外是md和lg的向量，它们已经在CommonCrawl上进行了训练。因此，如果所有模型都在同一个数据集(OntoNotes(上训练，并且唯一的区别是向量，那么为什么不需要向量的任务会有性能差异呢？我很想了解更多关于每个模型以及他们接受训练的设置等信息，但这些信息似乎并不容易获得。
因此，如果所有模型都在同一数据集(OntoNotes(上训练，并且唯一的区别是向量，那么为什么不需要向量的任务会有性能差异呢？
我认为您正在寻找的缺失部分是：如果使用向量初始化模型，则这些向量将在训练期间用作特征。根据向量的不同，这可以为您训练的统计模型组件提供显著的准确性提升。
但是，向量可能非常大，因此您通常需要在模型大小和精度之间找到最佳权衡。如果在训练期间使用了向量，则在运行时也需要使用相同的向量，并且您不能轻易将它们换掉 - 否则，模型的性能会差得多。sm模型没有使用向量进行训练，它允许您加载自己的向量以进行相似性比较，而不会影响预先训练的统计组件的预测。
TL;DR：spaCy的sm、md和lg核心模型都是在相同的条件下对相同的数据进行训练的。唯一的区别是包含的向量，这些向量用作特征，因此对模型的准确性有影响。