文本表示的目的是把文本预处理后的转换成计算机可理解的方式。它的发展过程是从One-Hot编码的词集模型（统计各词在文本中是否出现）->CountVectorizer、IF-IDF这样的词袋模型（考虑了词频、词的重要性，但是会出现词表膨胀的问题）->word2vec、GloVe模型这样的词嵌入模型（将各词映射为实数域上的向量，词向量之间的几何关系表示词之间的语义关系；降低了词向量维度）。因此A、D正确。word2vec的skip-gram、CBOW这两种模型每次都是用一个窗口中的信息更新出词向量，而Glove才是用全局的信息（共线矩阵），也就是多个窗口进行更新的模型。所以B不正确。但是Word2Vec、GloVe模型都不能有效表示自然语言中广泛存在的多义词的问题，因此才有后来的ELMO模型。所以C选择正确

正确答案是：B:考虑了全局语料库的信息

专业分析：

Word2vec是一种用于生成词向量的模型，它通过浅层神经网络来训练词向量，使得相似语义的词在向量空间中距离较近。对于选项的分析如下：

A: 得到的词向量维度小，可以节省存储和计算资源
这句话是正确的。Word2vec生成的词向量通常维度较小（例如100-300维），相比于传统的词袋模型（Bag of Words）大大减少了维度，从而节省了存储和计算资源。

B:考虑了全局语料库的信息
这句话是不正确的。Word2vec主要通过局部上下文窗口来训练词向量，即只考虑某个词周围的一小部分词汇，而不是整个语料库的全局信息。因此，它并没有直接考虑全局语料库的信息。

C:无法解决多义词的问题
这句话是正确的。标准的Word2vec模型无法区分多义词的不同含义，因为它为每个词生成一个唯一的向量，而不考虑词在不同上下文中的不同含义。

D: 可以表示词和词之间的关系
这句话是正确的。Word2vec生成的词向量可以捕捉到词与词之间的语义关系，例如通过向量的加减操作可以得到一些有意义的结果（如“king - man + woman ≈ queen”）。

综上所述，选项B是不正确的，因此正确答案是B。