您的 检索器 已经知道：用于 RAG 检索充分性的分布形状 QPP

标准检索增强生成 (RAG) 管道通常无法提供有关检索是否成功的可靠推理时间信号；对于不明确或超出范围的查询，一代人可能会产生幻觉。受捷克核监管机构部署的推动，其中数据敏感性阻碍了第三方 LLM API，我们比较了 RAG 中检索充分性的三种查询性能预测 (QPP) 范例：基于分数的特征、基于内容的 LLM 判断和混合。在 8 个 ViDoRe 视觉域（14,514 个查询）上，我们的 24 个非词汇特征（GeneralQPP；15 个分布形状、5 个查询表面、4 个全局）在每次查询 2 毫秒时达到 0.856 的加权平均 AUROC，领先于经典 QPP 文献池（Classic Full，0.835），并且远高于本地 Qwen3.5 LLM 判断（0.649，+0.207 差距；每次查询 $\sim$3000$\times$ 更快、更便宜）。将 LLM 判断添加为一项功能（混合）与 ViDoRe 上的 S1 (0.863) 相匹配，但在 LLM 延迟下，在 SÚJB 上获得统计上显着的优势（Hit@5 处的 AUROC 0.911，对抗性检测 0.954；1,510 个查询，500 个合成对抗性）。各个数据集的排名一致（Spearman $ρ= 0.90$）。在 Leave-One-Domain-Out 下，S1 降至 0.706； 13 个特征的 LODO 逐步子集（S1-Lean）恢复到 0.719（比文献池+0.032）。