学习后训练量化（PTQ）校准在小规模校准集上拟合量化器参数，对文本嵌入器而言自然的监督信号是检索相关性。我们将两个常被混淆的问题分开讨论：校准的幅度应当多大，以及是否需要校准。
在三个嵌入模型（e5-base-v2、BGE-M3、EmbeddingGemma-300m）上进行 4 位权重量化实验，共 161 次校准运行。固定的校准流程产生的结果从性能提升到灾难性退化不等，主要驱动因素是更新剂量，即量化模型相对于未校准起点的功能位移 $D_{\text{func}}$。
在 EmbeddingGemma 上，同一学习率网格的实验导致 NDCG@10 变化范围为 +1.47 到 -71.53 分；使用无标签余弦目标的校准在相同剂量下也出现大幅崩溃（-69.52 与 -71.63），说明崩溃是可学习校准本身的属性，而非检索监督的结果。
目标的敏感性表现出异质性：在 e5 上，排名校准相对于余弦校准更为稳健（+14.16 ± 4.34 pp，95% t‑CI [+3.37, +24.96]，三对配对实验），而在 BGE-M3 上两者方向相反但差异未显著（[-5.18, +2.38]）。剂量是主要影响轴，但并非充分统计量：相同 $D_{\text{func}}$ 通过不同路径实现时，性能差异可达 1.61 pp。
因此我们将校准视为可选干预。我们预先注册了一条规则：仅当在 25% 校准‑验证划分上的每查询配对置信区间超过未校准基线时，才接受检查点。该规则在 6 条独立实验序列和五个实验臂上运行，30 次决策中未出现任何有害选择（0/30），保留了 11 次中 8 次有益更新，平均 Oracle 后悔为 1.52 pp，唯一一次放弃导致 11.13 pp 的损失，体现了安全‑机会的权衡，而非免费提升。
本文留下的未解问题包括标签效率等方面的进一步研究。
点评