BM25把多语言模型按在地上的戏码，又更新了一集

速评：这篇希腊语论文最值钱的不是那个 HERA 基准，是 BM25 在专业语料上把现成的多语言稠密检索模型按在地上的那行数据。

8月5号挂的 arXiv，法律、能源、金融、医学四个领域，流程一条龙，没有新花样。真正扎眼的是结论：零参数调优的 BM25，比现成的多语言稠密检索模型都好使。

圈内人看到这结果，应该都会心一笑。

现成多语言模型的训练语料里，现代希腊语占多少？法律和医学这种专业领域又占多少？八成是零头的零头。BM25 不吃这套——它是词法匹配，不依赖训练数据长什么样，反而在这种数据稀缺的场景里稳如老狗。稠密检索的改进，全建立在你的 query 恰好落在训练分布覆盖范围里这个前提上；一旦走出去，嵌入向量就是个礼貌的摆设，空间里那些精心学出来的近邻关系全部失效，因为模型根本没见过这些词。

这剧本，眼熟。每过一阵子就有人拿小语种或者专业领域把现成模型测一轮，然后发现"也没比二十年前的 BM25 强多少"。说到底，模型的"多语言"三个字，覆盖范围是训练分布说了算的，不是字典里收了多少种语言说了算的。

论文里那组数字也特别能说明问题：微调一个 1B 的嵌入模型后，nDCG@10 从 0.362 跳到 0.835，翻了不止一倍。同一套架构，适配前后天壤之别——问题从来不在架构，在训练分布压根没覆盖你。

当然，方向归方向，细节的账得等社区来算。论文挂出来才一周，我还没见着有人跑复现，他们倒是把模型和基准都扔出来了，这一点值得单独记一笔。

最后立个 flag：冷门语言的专业领域适配会越来越热闹。卷完英语，卷完大语种，总该轮到这些犄角旮旯了。就等着看下一篇拿哪个语言开刀。