前一篇處理「Fine-tune multilingual-e5：從 Base Model 到 Domain Retriever」，這篇進一步討論「Fine-tune 之後真的變好嗎：別只看一個平均分數」。共同的量測條件是前後比較的基礎。

今天要回答的問題

比較 base／fine-tuned 在各 query 類型、primary metrics、latency 的變化，檢查是否 overfit。

工程邊界

Fine-tune 的比較必須保持 Evaluation Set 不變

Base 與 fine-tuned retriever 要用相同 corpus、query、qrels、index 設定與 metric。除了總分，也看每一類 query 的 delta，確認改善是否集中在 domain term，還是犧牲了泛化能力。

如果 fine-tune 只讓 training-like query 進步，test set 沒有同步改善，應視為 overfitting，而不是成功。負面結果也要保留，因為這類結果能回答訓練成本是否值得。

一個可以直接重現的起點

Fine-tune 先防資料洩漏

最重要的不是先挑 learning rate，而是確保同一個 query family、文件版本或高度相似樣本沒有跨 train/dev/test。訓練時完整記錄 base model、seed、batch、learning rate、epoch、negative sampling 與 checkpoint。

base_model: intfloat/multilingual-e5-base
seed: 42
train_split: train.jsonl
dev_split: dev.jsonl
negative_strategy: hard_negative

比較每一題的前後差異

這裡以「用 frozen test 比較 base 與 fine-tuned retriever」為比較目標，只保留 baseline、candidate 與逐項差值；evaluate 再接到實際評測程式。

METRICS = ('macro 與 per-query delta', 'bootstrap interval', 'regression cases')
baseline = evaluate("baseline", metrics=METRICS)
candidate = evaluate("candidate", metrics=METRICS)

for metric in METRICS:
    delta = candidate[metric] - baseline[metric]
    print(f"{metric}: {delta:+.4f}")

驗證與落地方式

驗證可從「用 frozen test 比較 base 與 fine-tuned retriever」開始。比較前先凍結 corpus、query set、qrels、資料切分與評測程式，確保實驗只改動目標元件。若 index、候選數或前處理同時改變，最後的分數差異就無法歸因，容易把資料變動誤認成模型進步。

這篇優先比較：macro 與 per-query delta、bootstrap interval、regression cases。除了整體平均，也要保留逐題結果與 query 類型，分辨改善集中在哪些情境、哪些案例反而退步。品質指標還要和 latency、記憶體、索引大小或單次成本一起閱讀，才能判斷提升是否值得帶進 production。

常見誤判

• 只公布最高分，沒有保留 baseline、負面結果與信賴區間，難以判斷改善是否穩定。
• 在相同資料上反覆調參又回頭評分，test set 會逐漸變成隱性的 training set。
• 只看 retrieval 或 generation 的單層指標，忽略錯誤可能沿 pipeline 傳遞，也可能被後段暫時掩蓋。

上線前檢查

每次實驗都應能追回資料版本、模型、index、config 與評測程式版本。上線前再以未參與調參的案例做一次回歸測試，並保留最差案例供 error analysis。若品質提升不足以抵銷延遲、成本或維護複雜度，維持較簡單的 baseline 通常更可靠。

如何閱讀結果

結果應先看逐題變化，再看整體分數。若平均值上升，卻只來自少數容易題，或關鍵 query 類型持續退步，仍不適合直接替換 baseline。每個明顯升降的案例都應回到候選文件、排名與輸入特徵，確認變化符合原先假設。

離線評測通過後，還要檢查線上條件：新文件加入後是否需要重建 index、cache 是否造成舊結果、查詢分布是否漂移。只有資料生命週期也能被管理，實驗中的品質提升才可能持續。

結果判讀

判讀不只看最大或最漂亮的數字。這一天真正要回答的是：只有穩定且可解釋的改善才算有效。

如果核心指標改善，但錯誤率、尾端延遲、資源成本或恢復能力變差，這代表取捨，而不是無條件進步。相反地，沒有改善也不是無效結果；至少能排除一條看似合理、實際上不值得增加複雜度的路。

今天的結論

今天的工程判斷是：只有穩定且可解釋的改善才算有效。無論結果支持或否定原本假設，都必須保留完整條件，才能和下一天的實驗串在一起。

下一篇將處理：Hybrid Retrieval：BM25 + Vector 要怎麼融合。

參考資料

• BEIR Benchmark
• Sentence Transformers Documentation
• ir-measures
• RAGAS Documentation