Qdrant(@qdrant_engine)

Lucy built a source-of-truth retrieval layer over 2.8M+ SEC and Korea DART filings. Four hybrid lan...

8.5内容质量
Lucy built a source-of-truth retrieval layer over 2.8M+ SEC and Korea DART filings. Four hybrid lan...

TL;DR · AI 摘要

Lucy在SEC和韩国DART文件上构建的检索层达到94.7% Recall@10，提升答案准确性0.160。

核心要点

  • Qdrant通过四条混合车道实现94.7% Recall@10的金融文档检索效果
  • Lucy RAG模型在固定答案模型下提升0.160准确率
  • payload过滤器直接集成在查询流程中而非后续处理

结构提纲

按章节快速跳转。

  1. §项目背景

    介绍Lucy处理280万SEC和韩国DART文件的检索系统构建目标

  2. ·技术架构

    采用四条混合车道架构并集成payload过滤器到查询流程

  3. ›性能指标

    在FinanceBench测试中达到94.7% Recall@10的检索效果

  4. ·效果验证

    Lucy RAG模型使答案准确性提升0.160，超越前沿模型

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • Lucy检索系统
    • 技术架构
      • 四条混合车道
      • 内置payload过滤器
    • 性能指标
      • 94.7% Recall@10
      • +0.160准确率提升

金句 / Highlights

值得收藏与分享的关键句。

#Qdrant#信息检索#SEC#RAG#DART
打开原文

Qdrant在X上的动态："Lucy构建了基于280万+份SEC和韩国DART文件的权威检索层。Qdrant采用四条混合通道，在查询内部而非之后应用负载过滤器。在FinanceBench测试中达到94.7%的Recall@10指标。在保持答案模型固定的情况下，仅通过检索即可使答案准确性提升0.160。… / X

Qdrant

@qdrant_engine

Lucy构建了基于280万+份SEC和韩国DART文件的权威检索层。Qdrant采用四条混合通道，在查询内部而非之后应用负载过滤器。在FinanceBench测试中达到94.7%的Recall@10指标。在保持答案模型固定的情况下，仅通过检索即可使答案准确性提升0.160。Lucy RAG上的开源权重模型在检索网络信息方面超越了前沿模型。

qdrant.tech/blog/case-stud…

2026年10月3日上午10:18

·

1,362

次浏览

12

1

33

5 /