稀疏嵌入比稠密嵌入更适合电商搜索，能精确匹配型号、容量等关键细节。SPLADE利用Transformer结合对数饱和与最大池化，生成约3万维中仅数百非零的稀疏向量，实现词项加权、同义词扩展和噪声抑制，无需人工规则。在亚马逊ESCI数据集上，微调后nDCG@10达0.389，较BM25提升17%。教程涵盖Modal GPU训练、Qdrant评估、难负样本挖掘及产品化。

本文是电商搜索稀疏嵌入微调系列的第三部分，聚焦评估与难负样本挖掘。将微调后的SPLADE模型索引至Qdrant，在2000条查询上评测：微调模型nDCG@10比BM25高约17%，比现成SPLADE高7.5%。借鉴ANCE，用当前模型检索结果挖掘难负样本再训练，可进一步提升效果。检索延迟低于1毫秒，瓶颈是10-20毫秒的查询编码。