Дешёвый скор по навыкам обошёл GPU-реранкеры: как мы отсекаем мусорных кандидатов до LLM

У любого, кто строил матчинг «кандидат — вакансия» на связке «векторный поиск + LLM-судья», рано или поздно случается неприятный разговор с финансовым отчётом. LLM-этап — самый дорогой в конвейере, и выясняется, что добрую половину времени он тратит на кандидатов, которых человек отбросил бы за секунду. Мы решили померить, насколько всё плохо, и найти способ отсечь мусор до дорогого этапа — желательно без ещё одной тяжёлой модели. История получилась поучительной: победил самый дешёвый сигнал, а красивые GPU-реранкеры и дообучение проиграли.

Проблема: половина того, что доходит до LLM — это мусор

Наш конвейер устроен классически: сначала косинусный векторный поиск набирает кандидатов, часть отсекает реранкер, остальное уходит на LLM, который выносит вердикт matched от 0 до 1 и объясняет его. Мы выгрузили состояние на тестовой копии базы и посмотрели на реальные числа.

• 213 633 кандидата создано в базе. Косинус нагоняет в среднем 391 кандидата на вакансию (максимум — 7585).
• До LLM доходит 76 188 кандидатов (остальное отсекает реранкер).
• Из дошедших до LLM 47.9% получают matched < 0.70 — то есть это мусор. Почти 36 000 холостых LLM-прогонов и столько же лишних записей в базе.

Логичный вопрос: а почему реранкер это не режет? Потому что существующие дешёвые скоры почти не отличают мусор от годных. Мы посчитали для каждого AUC — способность отделить «годного» (matched ≥ 0.70) от «мусора»:

• сохранённый косинус — на тестовой базе он вообще оказался константой (вырожден), AUC 0.50;
• скор реранкера (matchedBatch) — AUC всего 0.60.

Вот почему половина мусора спокойно долетает до LLM. Нужен сигнал, который реально разделяет.

Как мерили

Задачу мы сформулировали не как «предсказать оценку», а по-инженерному: дешёвый фильтр перед LLM. Метрики две:

1. AUC — насколько скор отделяет годных от мусора.
2. Бизнес-метрика: сколько процентов мусора мы режем, сохраняя 95% или 99% годных кандидатов. Терять хороших кандидатов дорого, поэтому рекол годных — жёсткое ограничение.

Данные для этого богатые и сбалансированные: 76 188 кандидатов с вердиктом LLM, примерно поровну годных и мусора. Дообучение для старта не требуется — как честно заметил наш CTO, «сначала возьми готовые модели и померь, кто лучше отделяет».

Подходы, которые мы перебрали

Мы не стали угадывать, а прогнали бэйк-офф на одной и той же выборке:

• Дешёвые скилл-скореры на эмбеддингах уже извлечённых навыков: Jaccard, покрытие (coverage), IDF-взвешенное пересечение и MaxSim — late-interaction по навыкам (для каждого навыка вакансии — максимальная близость к навыкам кандидата, затем усреднение).
• Готовые GPU-реранкеры на полном тексте (вакансия × резюме), без дообучения: BAAI/bge-reranker-v2-m3 (мультиязычный, ~568M) и cross-encoder/mmarco-mMiniLMv2-L12.
• Дообучение CrossEncoder на 38k размеченных пар с hard-negative mining.
• Логистическая регрессия как комбо всех дешёвых признаков.
• Покрытие обязательных требований — отдельная гипотеза, к ней вернёмся.

Что сработало и что нет

Главная таблица. AUC — отделить годного от мусора (выше — лучше):

Скорер	Где считается	AUC
косинус (текущая 1-я стадия)	CPU	0.56
matchedBatch (текущий реранкер)	CPU	0.60
mmarco (текст)	GPU	0.56
bge-reranker-v2-m3 (текст)	GPU	0.60
MaxSim по навыкам	CPU	0.75

Результат контринтуитивный: тяжёлые текстовые реранкеры на GPU (0.56–0.60) проиграли простому пересечению навыков (0.75), которое считается на CPU за копейки.

Что ещё не сработало:

• Дообучение CrossEncoder не сошлось — и это была наша ошибка. Loss встал на месте, качество на held-out деградировало. Негативы у нас есть — целая база: почти половина кандидатов имеет matched < 0.70. Но обучали мы на «проверенной» подвыборке, где почти одни позитивы, и домайнивали негативы искусственно — вместо того чтобы взять реальные. Модель училась на противоречивом сигнале от намайненных «негативов», часть которых на самом деле нормальные матчи. Это не приговор методу, а кривая постановка с нашей стороны. Готовые реранкеры к тому моменту уже проиграли навыкам на полном размеченном наборе, поэтому честно обученный на реальных негативах CrossEncoder мы доводить не стали — это открытый вопрос. Урок вышел на нас самих: сломанный прогон обучения — не валидный отрицательный результат, тем более когда данные были, а мы взяли не ту выборку.
• Комбо признаков (логрег) не побило MaxSim — на честном held-out по вакансиям оба дали ~0.69, веса показали, что MaxSim доминирует, остальные признаки почти ничего не добавляют.

Осторожно: артефакт отбора

Отдельно стоит предупреждение для тех, кто будет мерить похожее. На первой итерации мы считали корреляцию на «проверенных» офферах — и косинус выглядел там абсолютно бесполезным. Это артефакт усечённой выборки (range restriction): 82% этих офферов были отобраны самим косинусом, то есть у всех косинус уже высокий. Внутри отобранного-по-косинусу множества у косинуса не остаётся мощности доранжировать. Мерить качество ретривера на данных, которые он же и отобрал, — классический способ обмануть себя. Правильную картину дал только полный набор кандидатов, включая тех, кого отсекли.

Почему текст проиграл навыкам

Причина простая, если вдуматься. Текстовый реранкер обучен отвечать на вопрос «релевантен ли пассаж запросу». Но все наши кандидаты уже по теме — их отобрал векторный поиск, они все выглядят «релевантными» для реранкера, и он не может их разделить. А вердикт LLM — про другое: закрывает ли кандидат навыки и требования вакансии. Именно это и ловит пересечение навыков напрямую.

Мы это подтвердили ещё одним замером: общий вердикт LLM почти полностью определяется долей закрытых обязательных требований — AUC между «покрытие обязательных требований» и «годный» составил 0.998. То есть цель — предсказать покрытие требований, а навыковый сигнал делает это дешевле всего. Мы даже проверили гипотезу CTO — брать навыки только из обязательных требований (убрать необязательные из фильтра). Идея правильная по смыслу, но на цифрах дала ноль: 0.682 против 0.679 — хороший кандидат закрывает и обязательные, и необязательные, так что ограничение ничего не меняет.

Итоговое решение и что оно даёт

Мы выложили гейт по MaxSim до записи в базу. Логика на этапе отбора: посчитать пересечение навыков вакансии и кандидата; если оно ниже порога — кандидат просто не создаётся как оффер и не уходит в LLM.

Порог настраивается одной переменной окружения (0 — выключено):

• порог 0.69: режем ~9% мусора, сохраняя 99% годных — безопасный старт;
• порог 0.73: режем ~25% мусора ценой 5% годных — агрессивнее.

Что это даёт на практике:

• меньше холостых LLM-прогонов — прямая экономия на самом дорогом этапе;
• меньше мусора в базе — кандидаты, которых всё равно отбросили бы, просто не создаются;
• дёшево и обратимо — считается на CPU, переиспользует уже посчитанные эмбеддинги навыков, включается и выключается порогом без передеплоя;
• настраиваемый баланс «сколько мусора режем / сколько годных бережём».

Отдельный бонус, который открылся по дороге: раз вердикт LLM — это покрытие требований, то по каждому обязательному требованию видно, какого навыка не хватает. Это превращается в продуктовую фичу — прямо в оффере подсвечивать пробел и подсказывать рекрутеру, про что спросить на скрининге.

Уроки

1. Дешёвый доменный сигнал часто бьёт тяжёлые модели. Прежде чем арендовать GPU под реранкер или затевать дообучение — померьте baseline из того, что у вас уже есть. У нас пересечение навыков на CPU обошло мультиязычный реранкер на 568M параметров.
2. Мерьте на честной выборке. Range restriction тихо превращает полезный сигнал в бесполезный и наоборот. Если ретривер сам отобрал данные — оценивайте его не на них.
3. Сломанный эксперимент — не результат. Не сошедшееся обучение говорит о вашей постановке, а не о методе. Прежде чем писать «не работает», убедитесь, что loss вообще падал.

Иногда лучшее улучшение матчинга — это не более умная модель, а более честный вопрос к данным.