监管文档RAG中解析、切分与嵌入模型的交互评测

检索增强生成（RAG）流水线通常由独立选择的文档解析器、切分策略和嵌入模型组装而成，但这些选择很少联合评估；即使联合评估，也通常只在单个文档或语料上进行。我们开展受控因子研究，比较三个解析器、三种切分策略、五种稠密嵌入模型以及稀疏BM25基线，覆盖四份结构不同的印度中央政府监管文档和800个问题实例。每个问题有一条或多条必需证据字符串；证据先自动对照原文验证，再人工复核10%的随机样本。我们对72000行结果拟合具有文档查询级随机截距的线性混合效应模型，在匹配稠密与稀疏配置之间开展Holm校正的配对比较，并为54个唯一检索配置报告聚类自助法置信区间。结果显示，没有单一检索器家族在全部文档上占优；解析器与切分器选择存在显著交互；MPNet-base持续较弱，在表格来源问题上有严重失效模式；语料的证据保留上限接近饱和且超过98%，意味着检索差异主要源于排序质量而非摄取中的信息丢失。我们还报告嵌入维度、块大小与重叠的消融，以及效率质量Pareto分析。完整评测Harness、语料清单和800问题基准将公开。