向量检索 Benchmark：先固定标注，再调召回和延迟

只展示 Top-K 命中率或一组延迟数字，无法说明检索质量。Benchmark 要先固定数据集、标注、过滤条件和索引版本，再分别看召回、尾延迟与失败样本。

先界定问题

先定义什么算相关、一个查询可能有多少正确文档，以及元数据过滤是否属于检索条件。标注口径没固定时，调top_k或索引参数得出的提升没有可比性。

处理与验证

用可复现的样本判断效果。固定数据集版本、标注规则和检索参数，再分别记录召回、延迟、失败样本和资源使用情况。

查询集要包含有明确相关文档的请求、没有相关结果的请求，以及会触发元数据过滤的请求。标注、语料、向量模型、索引和参数分别版本化；调参时只改一项，失败查询保留原始排名，便于判断问题来自标注、过滤还是索引。

发布召回或延迟结论时，附查询集与标注版本、索引构建参数、过滤条件、并发方式和预热规则。延迟统计把超时与失败请求算进去；换了语料或向量模型，就重新建立基线，不把两组不同条件的数据直接比较。