Métricas de recuperación (recall@k, nDCG, MRR)
Las métricas de recuperación puntúan lo bien que un sistema de búsqueda devuelve documentos relevantes. Recall@k comprueba cuántos elementos relevantes aparecen entre los k primeros, nDCG premia que estén bien arriba y MRR mide lo pronto que aparece el primero correcto.
También llamado: recall@k, nDCG, MRR, precision@k, mean reciprocal rank
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Si tu aplicación de generación aumentada por recuperación da malas respuestas, lo primero es preguntarse si la recuperación encontró los pasajes correctos. Las métricas de recuperación lo responden con independencia de la calidad de la respuesta. Necesitas un conjunto etiquetado: consultas con los documentos que deberían devolverse, a menudo parte de un golden dataset.
Recall@k
De todos los documentos relevantes para una consulta, ¿qué proporción está entre los k primeros resultados? Si tres pasajes responden una pregunta y dos están entre los 5 primeros, el recall@5 es dos tercios. En RAG suele ser la cifra más importante, porque el modelo solo puede usar lo que se le da.
Precision@k
De los k primeros resultados, ¿qué proporción es relevante? Una precisión baja significa que el prompt está lleno de ruido.
nDCG
La ganancia acumulada descontada normalizada (normalized discounted cumulative gain) usa relevancia graduada (muy relevante, algo relevante, nada) y da menos crédito cuanto más abajo aparece un buen resultado. Se normaliza a una escala de 0 a 1 para poder comparar consultas. Muchos benchmarks de recuperación, incluidas las tareas de recuperación de MTEB, la indican.
MRR
El rango recíproco medio (mean reciprocal rank) solo mira el primer resultado correcto: 1 si es el primero, 1/2 si es el segundo, 1/3 si es el tercero, y se promedia entre consultas. Encaja con tareas que tienen una sola respuesta correcta.
Cómo usarlas
Ejecuta el mismo conjunto de consultas cada vez que cambies el chunking, el modelo de embedding, el reranking o los ajustes del índice. Combina las métricas de recuperación con la evaluación de LLM de las respuestas finales.
Términos relacionados
- Evaluación de LLM
- La evaluación de LLM (LLM evaluation), a menudo llamada evals, consiste en medir lo bien que un modelo o una aplicación de IA realiza una tarea ejecutándolo sobre un conjunto de casos de prueba y puntuando las salidas según criterios definidos, con código, con personas o con otro modelo.
- Golden dataset
- Un golden dataset (conjunto de referencia) es un conjunto fijo y cuidadosamente revisado de entradas de ejemplo emparejadas con las respuestas o el comportamiento que esperas, que se usa como referencia al evaluar un sistema de IA o hacerle pruebas de regresión.
- MTEB
- MTEB, el Massive Text Embedding Benchmark, es un benchmark y leaderboard público que puntúa modelos de embedding de texto en muchos tipos de tarea, como recuperación, clustering, clasificación y reranking, sobre muchos conjuntos de datos e idiomas.
- Reranking
- El reranking (reordenación) es un segundo paso de búsqueda que toma una lista corta de documentos candidatos y los reordena según su relevancia para la consulta, usando un modelo más preciso pero más lento que el de la primera búsqueda.
- Generación aumentada por recuperación
- La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.