首页/AI/RAG 与向量库速查/用小评测集选择 Embedding 模型
本包目录(229 条)
架构与流程30 条解析与切分33 条
Embedding 与检索50 条
向量数据库49 条重排与生成32 条评估与优化35 条

用小评测集选择 Embedding 模型

用自有小评测集选模型:同一批问题与标注答案,比较各模型 top-k 命中率与 MRR,兼顾延迟与成本,避免只凭直觉选型。

RAG 与向量库速查AI更新于 2026-10-12

Recall@k 对比脚本

Recall@k 对比脚本
def recall_at_k(queries, k=5):
    hit = 0
    for q, gold_ids in queries:
        ids = [h["doc_id"] for h in search(embed(q), top_k=k)]
        hit += any(g in ids for g in gold_ids)
    return hit / len(queries)

for name in ["bge-base-zh-v1.5", "bge-large-zh-v1.5"]:
    print(name, recall_at_k(queries))   # queries 来自真实问题标注
评测集 100-300 条真实问题即可起步,覆盖高频与长尾;对比时固定切片与索引参数,只变模型。

易错点

  • 换模型同时改切片参数,无法归因效果变化
  • 评测集只放简单问题,选出的模型在长尾表现差

数据来源与参考

  • MTEB 论文(评测方法)
  • RAGAS 文档(检索评测思路)
​‌‌​​‌​​​‌‌​‌‌‌‌​‌‌​​​‌‌​‌‌‌​​‌‌​​‌​‌‌‌​​‌‌‌​​​‌​‌‌​‌​​‌​‌‌‌​​​‌​‌‌​‌​​‌​‌‌​​​‌‌​‌‌‌​‌​​​‌‌​‌‌‌‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌