该dbow_words参数仅在训练 DBOW 模型时有效——即使用非默认dm=0参数。
因此，在您的两个示例代码行之间，它们都保持默认dm=1值不变，没有区别。
如果您改为切换到 DBOW 训练，dm=0则使用默认dbow_words=0设置，模型是纯 PV-DBOW，如原始“段落向量”论文中所述。训练文档向量以预测文本示例词，但没有训练词向量。（模型中仍然会有一些随机初始化的词向量，但在训练过程中没有使用或改进它们。）这种模式速度很快，而且效果很好。
如果您添加dbow_words=1设置，那么skip-gram 词向量训练将以交错的方式添加到训练中。（对于每个文本示例，将训练整个文本上的文档向量，然后是每个滑动上下文窗口上的词向量。）由于这增加了更多的训练示例，作为window参数的函数，它会显着变慢。（例如，使用window=5，添加单词训练将使训练速度慢 5 倍。）
这样做的好处是将 DBOW 文档向量和词向量放在“相同的空间”中——也许通过它们与词的接近程度使文档向量更易于解释。
这种混合训练可以作为一种语料库扩展——将每个上下文窗口变成一个迷你文档——这有助于提高生成的文档向量嵌入的表达能力。（尽管如此，特别是对于足够大和多样化的文档集，它可能值得与具有更多通道的纯 DBOW 进行比较。）