Precision@5 提升 3.75 个百分点是怎么算的，能证明多大范围的效果？

项目版本说明

这些问答整合历史设计与实现资料；当前 main 分支 README 以工作包描述建设状态。具体能力、实验数据与设计目标的边界见项目状态与证据。

标准回答

在每条查询输出五个结果的口径下，Precision@5 是相关结果数除以五，再按约定方式汇总查询。简历中的 3.75 个百分点表示新旧指标绝对差 0.0375；这是特定数据和条件下的受控重排结果，不能扩展成整体回答准确率或线上收益。

仅作算术示范：假设有 16 条查询，每条返回 5 条，共 80 个位置，比基线多 3 个相关结果，平均提升就是 3÷80=3.75 个百分点。这不是简历实验的已知查询数量。

**明确分母与标签：**16 条是有效记忆数量，不自动等于查询数量。应说明查询集有多少条、谁定义相关、少于五条时怎样计分，以及采用何种汇总。

**明确公平比较：**基线和新方案保持相同查询、Embedding、候选与输出预算，尽量只改变待验证的排序因素。若其他环节也变了，收益不能全归因于衰减。

**解释小样本限制：**提升可能受查询选择和标签影响。可报告逐查询差异、失败样例和重复性，再用更大且独立的数据集确认外推能力。

单条 Top-5 的相关条数是整数，但跨查询平均后可产生 3.75 这样的差值。具体来自多少查询必须查原记录。

不能。相对提升还需用绝对增量除以基线值；简历没有给出基线值。

16 条有效记忆不是 16 条查询；3.75 个百分点不是已知的相对增长率。