OpenRouter 实测 RAG 重排序:274 题基准中 precision@1 从 81% 提升到 97%
自动整理 · 基于采集摘要,未逐条核验
本站整理于
事件要点
OpenRouter 发布 RAG 重排序教程,在 274 题合成基准上,向量检索用 google/gemini-embedding-2 的 precision@1 为 81.0%,加入 voyageai/rerank-3-lite 对 top 30 重排序后提升到 97.1%,成本约 $0.10/千次查询。
相关背景
嵌入是什么?Embedding 向量怎样表示相似内容与检索
嵌入Embedding把文本等内容映射为数值向量,让系统能按所学表示比较相似性。它常用于语义检索或聚类,但相似不等于事实相同,也不等于内容正确。向量需要配套模型和比较方式,不能把不同模型生成的同维向量直接混用;原文与来源仍应另外保留,不能把嵌入当作可还原全文的压缩文件。
精确率是什么:被选中的结果里有多少真正符合目标
精确率 precision 是预测为正的结果中,真正为正的比例,公式为 TP/(TP+FP)。它关注选中结果的可靠程度,不是全部样本的准确率,也不是实际目标被找到的比例。使用前应定义正类和参考,误报减少可能改善精确率,但仍需同时检查漏掉了多少目标,不能只用一个高比例代表整个系统质量。
阅读说明
事件要点来自采集摘要;相关背景引用本站已有资料,帮助理解术语,不作为本次事件的新事实。产品效果、适用条件及后续变化请查看原始资料。
原文来源
来源与采集进展
| 来源 | 报道标题 | 原文发布时间 | 本站收录时间 |
|---|---|---|---|
| openrouter.ai | OpenRouter 实测 RAG 重排序:274 题基准中 precision@1 从 81% 提升到 97% | 2026-11-13 08:00 | 2026-11-13 09:07 |