Lucy 用 Qdrant（向量数据库）搭建检索层，覆盖 280 万份美韩监管文件
金融数据基础设施公司 Lucy 公开其基于向量数据库 Qdrant 的检索架构：把美国 SEC（美国证券交易委员会）EDGAR 与韩国 DART（韩国金融监督院电子公示系统）的 280 多万份文件转为可检索、可溯源的结构化数据。
Lucy 称，固定答题模型时仅更换上下文层，RAGAS 答案准确率从 0.792 升至 0.952，且检索层在 FinanceBench 的 Recall@10 为 94.7%。
上述性能数字均由 Lucy 一方公布，未经独立第三方评测。
Lucy 面向金融 AI（人工智能） 提供数据基础设施，将 SEC EDGAR 与韩国 DART 披露文件转为结构化数据，语料覆盖 27 种申报与报告类型、超过 280 万份文件，历史跨度约 2016 至 2026 年，新文件近实时处理。
SEC 侧覆盖 10-K、10-Q、8-K、20-F、DEF 14A、S-1、S-3、Forms 3/4/5、13F、13D/G、N-1A、N-PORT 及 485、497 系列。 检索架构在 Qdrant 上运行四条通道：窄通道（带章节过滤的多查询检索）、宽通道（召回兜底）、XBRL（可扩展商业报告语言）通道、companion 通道（引用式文件）。
每条通道最多返回 60 个候选，用 RRF（倒数排序融合）合并去重后取前 20 个块交给答题模型。 生产环境 12 个 collection、约 5225 万个稠密向量及等量稀疏向量。 在 1517 次实测检索中，Qdrant 平均每次 32 毫秒，p50 为 16 毫秒，p90 为 82 毫秒。
团队在 1536 维 10-K 语料上测试 4-bit TurboQuant，内存占用由约 52 GB 降至 10.7 GB，为 4.9 倍压缩； DART 侧采用 2-bit，SEC 侧采用 4-bit。
SEC 稠密向量用 OpenAI（美国人工智能公司） text-embedding-3-small，DART 用 Upstage solar-embedding-2，稀疏检索均用 BM25。 团队不足 10 名工程师。
这则案例把基础模型在垂直场景的竞争焦点从“模型规模”移向“检索与溯源层”：当答案必须能对应到原始申报文件的具体段落时，约束检索范围（元数据过滤、按文件类型分 collection）和混合检索（稠密+稀疏）对准确率的影响，可能大于更换更大的模型。
Lucy 称小型开放权重模型 Gemma 配合其 RAG（检索增强生成） 的得分超过使用网页搜索上下文的前沿模型，这一比较由 Lucy 自行设计并公布，缺少独立复现，不能当作通用结论。 值得注意的是，其披露的“前沿模型答错财报问题”属于客户反馈与团队自述，不是系统性评测结果。
后续观察信号
- Lucy 公布的两个基准（FinanceBench、FinQABench）分数是否有第三方复现
- 4-bit 与 2-bit 量化在不同语言语料上的质量差异是否有更完整披露
- 所谓“开源权重模型配合 RAG（检索增强生成） 超过前沿模型”的比较条件（模型版本、提示词、评测集）是否公开