检索研究者回应 MRL 争议：损失可容忍，但基准太小且 QREL 过时
srchvrs · x · 2026-10-26
检索领域研究者 srchvrs 回应 ZeroEntropy 关于 Matryoshka 表示学习（MRL）并非无损的博客：他认为 MRL 的损失确实存在，只是小到可以容忍。
他进一步指出当前嵌入评测基准的两个缺陷：
- 规模太小：文档数越多，嵌入质量的回归越明显，NanoBEIR 在这方面尤其糟糕；
- QREL 过时：旧的相关性标注主要基于 BM25（加重排序），新模型检索到的很多相关文档根本不在旧 QREL 里，导致回归被低估。
这与 ZeroEntropy 的核心论点相互印证：公开基准对前沿模型的细微退化不够敏感。
所属事件:检索研究者质疑 MRL 与 ANN「无损」说法：基准太小且标注过时(2 条相关)→
「研究」频道最新
- 莱斯特大学联手 Carelight 开发 AI 可穿戴设备监测中风患者 — tbirdcymru · 2026-10-26
- Hugging Face 读书会精讲:分数中心化如何稳定离线策略强化学习 — Hugging Face · 2026-10-26
- EMNLP 论文:多选题评分方案微调即可打乱模型排行榜 — boydgraber · 2026-10-26
- 可信 AI 开拓者 Nicolas Papernot 获 2026 McDonald Fellowship — VectorInst · 2026-10-26
- DeepMind 研究员 EMNLP 主题演讲：用正向对齐替代脆弱规则 — verena_rieser · 2026-10-26
- Prime Intellect 自改进 agent harness 2.5小时深扒：ARC-AGI-3 达 95.5% — yacinelearning · 2026-10-26