小模型+rerank做判定任务：16个实验后的工程复盘

1. 为什么我会盯上“rerank 小模型”这条路线先说结论这 16 个实验跑完我认输了但不是那种“这条路走不通”的认输而是“用我最初设想的那种最省事的方式走不通”的认输。这个区别很重要因为它直接决定了你后面要不要继续投入时间。事情的起点很朴素。我手上有一个判定类任务输入是一段文本输出是一个离散标签比如“是/否”“合规/不合规”“相关/不相关”这种二选一或者三选一的判断。任务本身不算复杂但标注数据很少满打满算几百条而且正负样本还不太均衡。我第一反应是这种活儿用一个大模型直接做 zero-shot 或者 few-shot 判定效果应该凑合但成本和延迟都下不来那能不能用一个小模型来扛推理再用 rerank 的思路去提升判定质量这个想法在逻辑上是成立的。rerank 的本质是“先粗排再精排”在检索场景里用得最多先用向量召回一批候选再用一个更强的交叉编码器对候选重新打分排序。我把它迁移到判定任务上的思路是让小模型先给出一个初步判定和置信度然后用一个 rerank 模型对“判定结果 原始输入”做二次打分把那些小模型拿不准的样本挑出来重新决策。听起来很合理对吧我一开始也这么觉得。但两天 16 个实验跑下来我发现问题不在“思路对不对”而在于几个非常具体的工程细节上小模型的判定边界不稳定、rerank 的打分和判定标签之间没有天然对齐、小样本下微调极易过拟合、以及我低估了“判定”和“排序”这两个任务在目标函数上的本质差异。下面我把这 16 个实验拆开讲重点不是告诉你“我失败了”而是把每一步的坑和背后的原因说清楚让你少走两天弯路。2. 先把任务和方案拆清楚判定模型到底在判什么2.1 判定任务和排序任务的本质差异很多人会把判定和排序混为一谈因为它们都输出一个分数。但这两者的目标函数完全不一样。排序任务关心的是“相对顺序”只要正样本排在负样本前面就行分数的绝对值不重要判定任务关心的是“绝对边界”你需要一个明确的阈值把样本切成正负两类阈值稍微偏一点准确率就掉一大截。我最初的设计是小模型输出一个 logit 或者概率rerank 模型输出一个相关性分数然后把两个分数加权融合再卡一个阈值做判定。问题就出在这里——rerank 模型的分数分布和小模型的概率分布根本不在一个量纲上。rerank 模型在训练时见到的正负样本比例、分数区间和我的判定任务完全不是一回事。我试过直接加权也试过先做归一化再融合效果都不稳定。提示如果你要做类似的事先别急着融合分数。先分别画出小模型分数和 rerank 分数的分布直方图看看它们的重叠区域在哪里。如果重叠区域很大说明两个信号本身区分度就不够融合只会互相拖累。2.2 小模型选型的现实约束现在开源小模型确实有不少能用的但“能用”和“适合你的任务”是两码事。我这次试了几个不同规模的小模型参数量从 1 亿多到 7 亿左右。选型的核心约束有三个一是显存我得保证在单卡上能同时跑小模型和 rerank 模型二是延迟判定任务通常要求实时或者准实时三是小样本微调的稳定性数据少的时候模型越大越容易过拟合但太小又学不动。我实测下来参数量在 3 亿到 5 亿之间的模型在这个任务上是一个比较舒服的区间。再小语义理解能力明显不够判定边界很粗糙再大微调时 loss 震荡得厉害几百条数据根本喂不饱它。这里没有绝对标准你得根据自己的数据量和硬件条件去试。2.3 rerank 模型在判定任务里的角色定位我一开始把 rerank 模型当成“第二意见”来用后来发现它更适合的角色其实是“边界样本的仲裁者”。也就是说不要让 rerank 参与所有样本的判定而是只让它处理小模型置信度处于中间地带的那部分样本。这样既能控制延迟又能把 rerank 的价值集中在最难的那批样本上。这个思路的转变很关键。我前 8 个实验基本都在尝试“全量融合”效果一直上不去后 8 个实验改成“分层决策”才看到一点希望。虽然最后整体指标还是没有达到我预期的水平但至少证明了 rerank 在这个任务里不是完全没用只是用法得对。3. 16 个实验的完整记录与关键发现3.1 实验分组与变量设计我把 16 个实验分成了四组每组 4 个变量分别是小模型是否微调、rerank 是否参与、融合策略、阈值选择方法。这样分组是为了尽量隔离变量避免“改了三个地方结果变好了但不知道是哪个起的作用”这种常见错误。组别小模型状态rerank 参与方式融合策略阈值方法A 组未微调不参与无固定 0.5B 组未微调全量参与加权平均固定 0.5C 组微调不参与无验证集搜索D 组微调分层参与分层决策验证集搜索A 组基本是 baseline用来确认“不微调的小模型到底能做到什么程度”。B 组是验证“rerank 全量融合有没有用”。C 组是看“微调能带来多少提升”。D 组是我最后收敛到的方案。3.2 A 组不微调的小模型比想象中脆弱A 组的四个实验我换了不同的小模型和不同的 prompt 模板。结果很一致不微调的小模型在判定任务上准确率大概在 60% 到 70% 之间晃。这个水平意味着什么意味着它比随机猜好一点但离可用还差得远。更麻烦的是它的错误分布很不均匀。对于表述清晰的样本它判得还行但只要输入稍微绕一点、或者出现训练时没见过的表达方式它就会给出一个非常自信但完全错误的判定。这种“自信的错误”在后续融合时特别致命因为如果你用置信度做加权这些错误样本的权重反而很高。注意不要只看整体准确率。一定要把错误样本单独拉出来看按置信度分桶统计。如果高置信度桶里的错误率也很高说明模型的校准很差这时候任何基于置信度的融合策略都会出问题。3.3 B 组rerank 全量融合为什么反而拖后腿B 组是我最寄予厚望的一组结果也是最让我意外的。rerank 全量参与之后整体准确率不仅没升反而比 A 组还低了几个点。我一开始以为是融合权重没调好后来把 rerank 分数单独拿出来看才发现问题所在。rerank 模型在排序任务上训练时见到的负样本大多是“语义相关但不完全匹配”的样本所以它对“部分相关”的样本会给一个中等偏高的分数。但在我的判定任务里这些“部分相关”的样本恰恰是应该被判为负类的。也就是说rerank 模型的分数和我的判定标签之间存在系统性的偏移。我试过对 rerank 分数做线性变换去对齐但小样本下拟合出来的变换参数很不稳定换一批验证数据就失效。这让我意识到rerank 模型不是不能用在判定任务里而是不能直接把它当成一个“判定分数”来用。3.4 C 组微调有效但过拟合来得很快C 组的结果是四组里最好的微调之后小模型的准确率能到 80% 左右。但这个提升是有代价的。我用了几百条数据做微调训练集上 loss 很快就降到很低但验证集上的 loss 在几个 epoch 之后就开始往上走。典型的过拟合曲线。我试过几种缓解手段降低学习率、加 dropout、早停、数据增强。其中早停最有效基本上在验证集 loss 最低的那个 checkpoint 停下来效果最稳。数据增强也有帮助但增强方式得贴合任务不能随便同义词替换否则会改变判定标签。提示小样本微调时验证集的划分要特别小心。如果验证集太小早停的时机很容易选偏。我建议至少留出 20% 的数据做验证并且做多次随机划分取平均看看早停的 epoch 是否稳定。3.5 D 组分层决策是唯一看到希望的方案D 组的思路是小模型先对全量样本做判定同时输出置信度置信度高于某个上界的直接采纳小模型结果低于某个下界的直接判为负类或者进入人工复核只有中间地带的样本才交给 rerank 模型做二次判定。这个方案的关键在于两个阈值的选取。我一开始用固定阈值效果一般后来改成在验证集上搜索让整体指标最优效果明显好一些。最终 D 组的准确率比 C 组高了大概两个点虽然提升不大但至少证明了 rerank 在边界样本上是有价值的。不过这里有个隐患中间地带的样本比例如果太高延迟就会上去如果太低rerank 又发挥不了作用。我实测下来中间地带占比在 15% 到 25% 之间比较合理具体取决于你的延迟预算。4. 我踩过的坑和对应的排查方法4.1 分数融合的陷阱量纲不对齐这是我最开始踩的坑。小模型输出的是概率rerank 输出的是相关性分数两者量纲完全不同。我试过直接加权、先归一化再加权、先排序再融合效果都不稳定。后来我放弃了分数融合改成“分层决策”才绕开了这个问题。如果你非要做分数融合我的建议是先把两个分数分别转换成“在该分数区间内的百分位”再做融合。这样至少能保证两个信号在同一个尺度上。但即便如此小样本下百分位的估计也很不稳定慎用。4.2 小模型置信度校准别信它说的“我很确定”小模型的置信度普遍偏高尤其是微调之后模型会变得过度自信。我做过一个统计在验证集上小模型给出 0.9 以上置信度的样本里仍然有大约 15% 是错的。这个错误率在融合时会被放大。校准的方法有几种温度缩放、Platt scaling、isotonic regression。我试了温度缩放实现简单效果也还行。但校准参数同样需要验证集来拟合小样本下要注意别过拟合校准参数。4.3 rerank 模型的选择不是越大越好我试过不同规模的 rerank 模型发现参数量大的 rerank 模型在这个任务上并没有明显优势反而因为分数分布更“平滑”边界样本的区分度更差。中等规模的 rerank 模型分数分布更“陡”反而更适合做边界仲裁。这个结论可能和具体任务有关但至少说明一点rerank 模型不是越大越好你得看它的分数分布是否适合你的判定边界。4.4 数据标注质量小样本下每个样本都很贵几百条数据里如果有几十条标错了对最终效果的影响是致命的。我在实验中途重新检查了一遍标注发现大概有 5% 的样本存在歧义或者错误。修正之后C 组和 D 组的指标都有明显提升。小样本场景下数据质量比数据数量重要得多。与其花时间去找更多数据不如先把现有数据清洗一遍。4.5 常见问题速查表问题现象可能原因排查方法解决思路融合后指标下降分数量纲不对齐分别画分数分布直方图改用分层决策或百分位融合微调后验证集 loss 上升过拟合看训练/验证 loss 曲线早停、降学习率、加正则高置信度样本错误率高置信度未校准按置信度分桶统计错误率温度缩放或 Platt scalingrerank 分数区分度差模型规模不匹配看分数分布的重叠区域换中等规模 rerank 模型中间地带样本过多阈值选取不当统计各区间样本占比在验证集上搜索阈值5. 如果重新来过我会怎么调整方案5.1 先做数据清洗再谈模型选型我这次是先选模型再洗数据顺序反了。小样本场景下数据质量是天花板模型只是逼近这个天花板的手段。如果数据本身有 5% 的错误你再怎么调模型上限也就那样。所以如果重新来过我会先把数据过一遍把歧义样本和错误样本清理掉再开始选模型。5.2 把 rerank 定位成“边界仲裁”而不是“第二意见”全量融合的思路听起来很美但实际做下来rerank 在简单样本上带来的噪声大于收益。把它限制在边界样本上既能控制延迟又能让它的优势发挥出来。这个定位的转变是我这 16 个实验里最有价值的收获。5.3 阈值搜索要用交叉验证不要只切一次验证集我一开始只切了一次验证集阈值搜出来的结果换一批数据就失效。后来改成 5 折交叉验证每折都搜一次阈值取平均稳定性好很多。虽然计算量上去了但小样本下这点计算量换来的稳定性是值得的。5.4 接受“小模型 rerank”不是万能方案最后说点实在的。小模型加 rerank 这套组合在检索和排序场景里很成熟但迁移到判定任务上并不是即插即用的。它需要你对任务目标、分数分布、阈值选取有比较深的理解还需要足够的数据来支撑微调和校准。如果你的数据只有几十条或者你的判定边界非常模糊那这套方案可能不适合你老老实实上大模型或者规则引擎可能更划算。我这次认输认的是“用最省事的方式复现一个判定模型”这个想法。但如果把问题拆细把每一步的假设都验证一遍这条路还是能走通的只是需要的时间和精力比预期多得多。希望这篇记录能帮你少走一点弯路。