完成「把 Reranker 接進 Pipeline：Top-50 到 Top-5 的重新排序」後，下一個問題是「品質換延遲值不值得：Rerank 的 Engineering Trade-off」能否重跑、否定並留下失敗原因。這就是今天的範圍。

今天要回答的問題

測量 candidate size、模型大小、batch 對 latency 與 quality 的影響，找出 Pareto frontier。

工程邊界

Reranker 把昂貴計算集中在小候選集

第一階段 retriever 追求高 recall，先取 Top-20／50；第二階段 cross-encoder 或 LLM reranker 同時看 query 與 document，重新排序到 Top-K。這通常比直接讓重模型掃整個 corpus 可行。

評估時同時看 NDCG／MRR 改善與每 query latency。若只提升極少數 query 卻讓延遲成倍增加，production 上未必值得。

一個可以直接重現的起點

Rerank 是第二階段排序，不是另一個 Retriever

第一階段 Retriever 的工作是用低成本把 relevant document 盡量撈進候選集；Reranker 再用較重模型對 query-document pair 精細打分。實驗至少要掃過 candidate size，例如 Top-20、50、100，才能看見品質與延遲的 trade-off。

掃描品質與延遲的 Pareto 邊界

這裡以「掃描 candidate size 與 batch，建立品質延遲曲線」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 = ('NDCG', 'P50/P95', 'GPU memory', 'cost/query')
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「掃描 candidate size 與 batch，建立品質延遲曲線」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：NDCG、P50/P95、GPU memory、cost/query。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：選擇 Pareto 前緣而非單一最高分。

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：選擇 Pareto 前緣而非單一最高分。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：組出完整 Retrieval Pipeline：Fine-tune + Hybrid + Rerank。

參考資料

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