В этом материале
RRF объединяет позиции в выдаче, а DBSF нормализует распределение баллов точек, возвращённых для каждого запроса.
RRF и DBSF в Qdrant решают разные задачи слияния: первый объединяет позиции, второй сохраняет информацию о разнице баллов. Выбирать между ними следует на одинаковых размеченных запросах и наборах кандидатов, а не считать название алгоритма универсальным улучшением релевантности.
Какая информация сохраняется
В справочнике гибридных запросов RRF описан как объединение по рангам, а DBSF — как нормализация распределения баллов каждой выдачи перед сложением. DBSF использует статистику точек, возвращённых конкретным запросом, а не постоянно обучаемую глобальную калибровку. Поэтому изменение состава кандидатов может изменить нормализацию. RRF тоже зависит от документов, допущенных во входные списки, хотя не сравнивает исходные величины их баллов непосредственно между собой.
Сначала зафиксировать входы поиска
Сохраните ревизию плотной модели, настройки лексического поиска, фильтры и глубину кандидатов каждой ветви. Руководство выбора слияния Qdrant отделяет формирование кандидатов от финального объединения. Иначе более широкий sparse-prefetch способен найти пропущенный документ, а результат ошибочно припишут лучшему алгоритму fusion. Экспортируйте выдачу каждой ветви до слияния, чтобы опыт позволял объяснить происхождение каждого итогового документа и повторить сравнение без скрытого изменения исходных списков.
Подготовить понятный учебный пример
Следующие позиции являются иллюстрацией, а не результатами измерений. Они показывают согласие и расхождение списков без выдуманных показателей скорости или качества.
| Документ | Позиция dense | Позиция sparse |
|---|---|---|
| A | 1 | 3 |
| B | 2 | 1 |
| C | 3 | Отсутствует |
| D | Отсутствует | 2 |
Для опыта DBSF сохраните рядом исходные баллы: таблица одних позиций не восстанавливает разницу их величин. Также зафиксируйте обработку документа, отсутствующего в одной ветви. Такое отсутствие не является исходной оценкой релевантности, равной нулю.
Сравнить классы запросов
В отложенном наборе нужны точные идентификаторы, перефразированные вопросы и запросы с ответом в нескольких документах. Оценивайте конечные доказательства, а не только совпадение двух методов. Настройка способна помочь идентификаторам и одновременно ухудшить полезную семантическую выдачу. Группировка документов тоже должна оставаться неизменной: пример нескольких представлений показывает grouping и prefetch как дополнительные операции, влияющие на то, какие материалы получает пользователь в конце цепочки.
Разобрать неожиданное преимущество
Если DBSF резко меняется после увеличения глубины кандидатов, исследуйте распределение баллов новых результатов. Если RRF даёт неожиданные равенства, сначала проверьте позиции и пересечение ветвей, затем меняйте веса. Повторная нормализация уже преобразованной величины требует отдельного описания обоих этапов. Сохраняйте объяснения отдельных запросов: средняя метрика не отличает отсутствие нужного кандидата от неудачного объединения документов, которые уже присутствовали на входе.
Сохранить проверяемое решение
Запишите настройки ветвей, метод fusion, проверочные запросы и исходные документы разметки. Сравнивайте одинаковое число итоговых результатов и фильтры, а после изменения повторяйте затронутые запросы. Полезный итог подтверждает выбор для данного корпуса и распределения задач. Он не доказывает, что метод побеждает всегда, и не разрешает переносить настроенное решение без проверки после замены embedding-модели или лексического анализатора.
Связанные материалы: Qdrant для RAG: что хранить в RAM, а что на диске; Бенчмарк GPU для инференса, которому можно доверять.