Candidate Depth: How Much Retrieval Is Enough?
候选深度优化可显著提升搜索效果,但需结合数据集规模和系统配置进行实验验证。
入选理由:测试候选深度时,从100/200开始,但需根据分片数和重排序器调整实际值
概念
别名:nDCG
衡量搜索结果质量的指标
已跟踪 4 条高相关材料
最近变化
2026-08-20 · 测试候选深度时,从100/200开始,但需根据分片数和重排序器调整实际值
为什么值得关注
nDCG@10 被反复提及时,通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Candidate Depth: How Much Retrieval Is Enough?
Qdrant · 8.5 分
候选深度优化可显著提升搜索效果,但需结合数据集规模和系统配置进行实验验证。
Scaling Test-Time Compute in Search Mode
Weaviate Blog · 8.5 分
Weaviate的Search Mode通过调整effort参数显著提升检索效果,ultrahigh级别在BRIGHT Biology基准上将nDCG@10从13.0提升至57.5。
Quality against parameter size on the four benchmarks. jina-reranker-v3.5 is on the Pareto front in ...
Jina AI(@JinaAI_) · 8.5 分
Jina AI发布的jina-reranker-v3.5在四个基准测试中表现优异,参数量仅为竞品的七分之一。
已收录 4 条与 nDCG@10 相关的内容,按评分排序。
候选深度优化可显著提升搜索效果,但需结合数据集规模和系统配置进行实验验证。
入选理由:测试候选深度时,从100/200开始,但需根据分片数和重排序器调整实际值
Weaviate的Search Mode通过调整effort参数显著提升检索效果,ultrahigh级别在BRIGHT Biology基准上将nDCG@10从13.0提升至57.5。
入选理由:Search Mode的ultrahigh effort在BRIGHT Biology基准上提升nDCG@10至57.5
Jina AI发布的新版重排序模型jina-reranker-v3.5在参数量更少的情况下,于BEIR数据集上表现优于竞品。
入选理由:jina-reranker-v3.5参数量0.6B,nDCG@10达63.20,优于Qwen3-Reranker-4B。
Jina AI发布的jina-reranker-v3.5在四个基准测试中表现优异,参数量仅为竞品的七分之一。
入选理由:jina-reranker-v3.5参数量0.6B,比Qwen3-Reranker-4B少7倍参数