А что вы всё-таки тестировали? Точность поиска опорных документов в RAG, т.е. эмбеддинги, или точность обработки найденных опорных документов для выдачи ответа?
второе, то есть точность генерации по найденным докам. точность поиска мы оцениваем на отдельном этапе до оценки генерации, на нем же подбираем оптимальные настройки поиска
Оценивание LLM в RAG на клиентских и синтетических датасетах: методология и результаты