已检索但未排序：结构化检索中的表层形式偏置，从数学到智能体轨迹

我们评估了嵌入检索，在刻意将表层形式与语义分离的情况下：检索那些共享底层结构但不共享措辞的条目，并在两个互不相关的领域中采用同一协议，分别是竞赛数学（MathNet-Retrieve；500 个查询，117,088 条目语料库）和具身智能体轨迹（基于 ALFWorld；118 个查询，336 条轨迹）。在数学领域，失败是彻底的：在最强伪装层级下，两个生产级嵌入器的严格 Hit@1 都为 0.0%（bootstrap 95% CI [0.0, 0.0]），而正确条目几乎总是位于前 10 名；在 95.2% 到 99.8% 的未命中情况下，获胜结果在词面上比正确答案更接近查询。在轨迹领域，当 gold 必须涉及不同对象时，表层变化只是附带的，同样的模型落在或接近超几何随机水平；一旦 gold 还必须在对象和容器上都不同，三种嵌入器都低于随机水平：检索锚定于字面 token，而非任务结构。词法重排序器控制在数学中有害、在轨迹中有益（将差距缩小 26% 到 36%，CI 不包含 0）；其方向揭示了某个基准的表层变化是对抗性的还是附带性的。LLM 重排序器在数学中恢复了 5% 到 63% 的差距，在轨迹中恢复了 43% 到 76%；这一方向在三个评审器中可复现（21 个单元格全部为正），但效应大小、层级分布以及离群评审器会随领域而变化（配对差异处处排除 0）。数学上的增益主要集中在知名竞赛上（+19.8 个百分点，CI [+6.7, +33.2]，六个单元格中的一个），因此恢复的一部分来自记忆。在一项配对的下游实验中（210 个查询，评分者一致率为 96% 到 99%），oracle 检索与对抗性劣质检索没有显著差异（McNemar p = 0.678）；求解器 69.5% 的 zero-shot 准确率在很大程度上只是一个截断代理指标（在完整答案上为 97% 到 100%），几乎没有提升空间。