延續「從 Notebook 到 Production：Latency、Cache、Drift 與監控」，這篇聚焦「最後排行榜：哪些技術真的有效，哪些只是變複雜」：先定義變因與停止線，再由實驗結果檢驗原本的直覺。

今天要回答的問題

公布完整 leaderboard、negative results、最佳 trade-off 與仍未解決問題；強調工程結論，而非宣稱「這套方法一定最好」。

工程邊界

最後不是堆滿元件，而是知道每一層的邊際價值

Ablation 可以從 BM25／Dense baseline 開始，依序加入 fine-tune、hybrid、domain signal、rerank，再接 generation。每次只變一層，保留 config、seed、artifact hash 與 metric。

進 production 後還要看 latency、cache hit、資料 drift、query drift 與 index freshness。最後排行榜應同時列品質、延遲與成本，才能回答「哪個方案值得留下」。

一個可以直接重現的起點

最終表格要保留失敗組合

不要只留下最佳結果。BM25、Dense、Fine-tuned Dense、Hybrid、Hybrid+Rerank、完整 RAG 都應保留在同一張 leaderboard，另外附 latency、index/build cost 或模型大小。Negative result 不是失敗，反而能證明哪些複雜度沒有換到實質收益。

用同一張表整理最終排行榜

這裡以「彙整所有方法的品質、延遲、算力與複雜度」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 = ('validated leaderboard', 'confidence', 'cost', 'limitations')
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「彙整所有方法的品質、延遲、算力與複雜度」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：validated leaderboard、confidence、cost、limitations。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：排行榜只收可重現 run，並保留負面結果。

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：排行榜只收可重現 run，並保留負面結果。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。

系列到這裡告一段落，最後留下的是可重跑的判斷方式，而不是一張只適用於單一環境的答案。

參考資料

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