fix(recall): 来源加权 λ 移到 MMR 之前 —— 原实现只改展示分不改选择
λ 原加在 Step 4 之后的展示分上,候选取舍已由 rerank+MMR 定死, 故 λ 无论多大都不改变结果集合(实测 λ=0.1 vs 0:14 条 query 全部 cache-miss 下 top-10 集合与 legacy 占比 33.57% 完全一致,而逐条分数 位移与理论吻合 legacy -0.0277 / conf1.0 +0.0294)。 现移到 MMR 之前,使选择与展示共用同一套分数;λ=0 时循环不执行, 与旧行为逐字节等价。
This commit is contained in:
@@ -263,6 +263,25 @@ func (p *RecallPipeline) recallUncached(query, namespace string, topK int, diver
|
||||
}
|
||||
}
|
||||
|
||||
// Step 3.7: 来源加权偏置(2026-10-09 P0 修正)
|
||||
//
|
||||
// 修前的错位:λ 只加在 Step 4 之后的**展示分**上,而候选的取舍早已由 rerank+MMR 定死
|
||||
// ⇒ λ 无论取多大都只改返回的数字、不改结果集合。实测(λ=0.1 vs 0,同一批 14 条 query,
|
||||
// 全部 cache-miss):逐条分数位移与理论吻合(legacy -0.0277 / conf1.0 +0.0294),
|
||||
// 但 top-10 集合与 legacy 占比 33.57% 两轮完全相同 —— 典型的"接上了但接在阀门下游"。
|
||||
//
|
||||
// 现在把偏置移到 MMR 之前:选择与展示共用同一套分数(rel = r.Score,见 MMRSelect)。
|
||||
// λ=0 时本循环不执行 ⇒ 与旧实现逐字节等价,回滚只需把环境变量置 0。
|
||||
if confidenceLambda > 0 {
|
||||
for i := range reranked {
|
||||
idx := reranked[i].Index
|
||||
if idx >= 0 && idx < len(candidates) {
|
||||
conf := coalesceConfidence(candidates[idx].Confidence)
|
||||
reranked[i].Score += confidenceLambda * (conf - confidenceMean)
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
// Step 4: MMR diversity
|
||||
finalIndices := MMRSelect(reranked, candidates, topK*2, diversity)
|
||||
|
||||
@@ -291,10 +310,9 @@ func (p *RecallPipeline) recallUncached(query, namespace string, topK int, diver
|
||||
// 见 server.go 唯一 InsertMemory 调用点),并与 QualityScore 在同一根轴上二次惩罚;
|
||||
// 加性 base+λ(conf-mean) 只平移均值、不缩方差,对尾部排序影响可控。
|
||||
conf := coalesceConfidence(c.Confidence)
|
||||
// 2026-10-09 (P0 修正):λ 已在 Step 3.7 偏置进 reranked[i].Score,选择与展示
|
||||
// 共用同一套分数;此处不再重复施加(否则 legacy 被双重扣分)。
|
||||
base := score*0.7 + c.QualityScore*0.3
|
||||
if confidenceLambda > 0 {
|
||||
base += confidenceLambda * (conf - confidenceMean)
|
||||
}
|
||||
results = append(results, models.RecallResult{
|
||||
ID: c.ID,
|
||||
Content: c.Content,
|
||||
|
||||
Reference in New Issue
Block a user