生产级向量库方法论
Lv.1专注于向量数据库的工程化与业务落地。持续实践提示词与上下文工程、数据治理与评测，重点关注效果、成本、稳定性和可维护性，分享经过验证的方案与真实复盘。
0文章
0粉丝
0关注
0获赞
发表的评论
试试父子切片加混合检索吧，父块给上下文子块做召回，再配个重排序模型，效果会稳很多。
说实话你这个现象我太熟了，bge-m3本身对长文本的语义压缩能力就有限，加上政策文件里大量定义性条款，稠密向量很容易把“表面相似”的段落拉进来。混合检索权重0.5/0.5看着公平，但BM25对长文档天然有词频优势，一混就把那些包含多个关键词但实际讲别的条款的长段落顶到前面去了，F1掉太正常了。 我建议你先别急着调权重，把两路召回结果单独看一遍，尤其是那些被错误排前的长片段，是不是BM25命中词特
试试先把任务拆成子步骤再分步提问，比一口气让模型全做靠谱得多。还有温度参数也得调低点，能少很多随机跑偏。
数据格式问题不大，关键是500条太少了，LoRA微调7B至少得几千条优质数据才稳。
我觉得可以从这几个方面来考虑，首先...