文本嵌入模型量化校准剂量驱动崩溃与验证门控机制

该研究通过161次校准实验发现，文本嵌入模型的训练后量化（PTQ）校准并非总是有益，其效果取决于更新剂量（D_func），同一学习率网格在EmbeddingGemma上可导致从+1.47到-71.53点的NDCG@10剧烈波动。这种性能崩塌是可学习校准过程的固有属性，而非检索监督标签的问题，且不同目标函数对剂量的敏感度存在异构性。 针对这一风险，作者提出一种预注册的验证门控规则：仅在每查询配对置信区间清除未校准基线时才接受检查点。该规则在30次决策中从未选择低于基线的检查点（0次有害选择），保留了8/11的有益更新，但付出了平均1.52点的Oracle遗憾代价，其中一次放弃机会导致损失11.13点，体现了安全与机会的权衡而非免费改进。 事实层面，e5模型在排名校准下比余弦目标更稳健，而BGE-M3的结果方向相反但未决；推断层面，校准应被视为可选干预而非标准步骤；猜测层面，标签效率仍是开放问题。产业链需重新评估端侧部署中量化流程的自动化策略，不能默认PTQ校准必然提升性能。