动态调整窗口长度（覆盖 512--2048 token 区间）的具体逻辑与实现细节是怎样的？
多维度召回策略的"维度"具体包含哪些？为何选择 Dense、Sparse、字面召回这三类？
集成 Dense 语义召回时，选择 M3E 模型的依据是什么？版本如何确定？
语义匹配准确率提升 22%"的 baseline 是什么？原准确率是多少？
Sparse 召回覆盖率能到 95%+，具体是用什么方法实现的？
基础信息召回率稳定 95%+"里的"基础信息"指哪些内容？如何保障稳定性
字面召回中 TF-IDF 与 BM25 是串行、并行还是加权融合？融合权重如何确定？
选择 Faiss 作为向量检索引擎，对比 Milvus 等其他向量数据库有何考量？
BGE-Reranker 精排模型与 Faiss 如何配合？精排的输入内容与格式是怎样的？
候选答案排序 AUC 提升至 0.91"，AUC 计算的数据集与评价逻辑是什么？
IDF 和 BM25 在召回中的作用有什么区别？
Faiss 的索引类型你们是怎么选的？
Faiss 的空间优化？
多路召回与精排的整体流程，你能简单复述一下吗？
-
第一步：多路召回。用户 query 同时走 Dense、Sparse、字面三种召回，得到候选集合。
-
第二步：融合。对多路结果进行归一化打分，按权重融合，形成统一候选集。
-
第三步：精排。候选集输入 BGE-Reranker，与 query 成对打分，重新排序。
-
第四步：生成。Top-K 文档送入大模型生成最终答案。
推理基座理由
人工构造 2000+ 条全场景测试集时，"全场景"覆盖了哪些具体场景？如何保障全面性？
- "全场景"主要涵盖 功能性问答 （按钮、操作步骤）、故障排查 （报警灯、异常现象）、安全提示 （急刹车、气囊）、保养维护 （机油、更换零件）、跨语言问答（中英文混合）。
- 为保障全面性，我们参考了 3 种来源：① 汽车厂商官方手册目录；② 用户常见问题（售后 FAQ）；③ 模拟场景对话（如车机交互）。
- 每类场景覆盖 200--500 条问答，确保不同类别均有足够样本。
- 测试集定期由人工审核和增量补充，保证场景不遗漏。
基于相似度（余弦相似度 + 编辑距离加权 ）、关键词命中 双维度加权评分，验证问答系统准确率达 89.6%
对比原生 GPT-4 外挂知识库方案时，如何搭建公平的实验环境？
- 实验环境保持一致：相同的测试集（2000+ 问答）、相同的知识库内容。
- 原生 GPT-4 使用其官方 RAG 插件，我们系统使用自建 RAG。
- 参数一致性：Top-K=5，温度=0，最大生成长度相同。
- 评价方式：人工判定 + 自动化准确率计算，避免偏差。
VLLM如何？
4 卡并行 + 100 节点分布式部署的资源分配与任务调度逻辑是怎样的？
-
每个节点配置 4 张 GPU（A100/H800），采用 数据并行模式。
-
节点间通过 NCCL 进行通信，确保梯度同步与推理结果一致性。
-
任务调度：调度器（K8s + Ray）根据请求量动态分配任务，优先保证低延迟。
-
在高峰时，可将推理任务分配到 100 个节点的 GPU 集群，实现近乎线性扩展。
