向量搜尋（Dense）抓語義，BM25（Sparse）抓關鍵字，Hybrid Search 兩者都用。但 BM25 有個根本限制：它只認識查詢裡出現過的詞。
查詢「攀岩新手」，BM25 找的是包含「攀岩」和「新手」這兩個詞的文件。但包含「入門」、「初學者」、「beginner」的文件，BM25 完全看不到。這個問題在向量搜尋那邊靠語義空間解決了，但在關鍵字那邊就是個缺口。
SPLADE（Sparse Lexical and Expansion model）是介於 BM25 和 Dense 向量之間的技術：用神經網路為查詢和文件生成稀疏向量，向量維度對應詞彙表，但模型會推斷相關詞彙給予非零權重。
運作原理
傳統 BM25 的向量：
查詢「攀岩新手」 → [0, 0, ..., 1.2, 0, ..., 0.8, 0, ...]
↑ 攀岩 ↑ 新手只有出現的詞有非零值。
SPLADE 的向量：
查詢「攀岩新手」 → [0, 0, ..., 1.2, 0, ..., 0.8, 0.6, 0.4, 0.3, ...]
↑ 攀岩 ↑ 新手 ↑ 初學 ↑ 入門 ↑ beginner模型推斷出語義相關的詞彙，給予較低但非零的權重。
這樣的稀疏向量可以用傳統的倒排索引（inverted index）高效搜尋，不需要像 Dense 向量那樣做 ANN（近似最近鄰），但查詢覆蓋範圍比 BM25 大。
SPLADE vs BM25 vs Dense
| BM25 | SPLADE | Dense（BGE-M3） | |
|---|---|---|---|
| 向量類型 | 稀疏 | 稀疏 | 稠密 |
| 詞彙擴展 | ❌ | ✅ | N/A |
| 語義理解 | ❌ | 部分 | ✅ |
| 精確匹配 | ✅ | ✅ | 弱 |
| 索引大小 | 小 | 小～中 | 大 |
| 搜尋速度 | 快 | 快 | 慢（ANN） |
| 多語言 | 需要分詞器 | 依訓練資料 | ✅ |
| 平台支援 | 廣泛 | 有限 | 廣泛 |
SPLADE 的定位是「進化版 BM25」，而不是「簡化版 Dense 搜尋」。它保留了稀疏向量的速度優勢，加入了部分語義擴展能力。
在 Hybrid Search 中的角色
目前 NobodyClimb 的 Hybrid Search 是 Dense（BGE-M3）+ BM25（D1 FTS5）兩路。加入 SPLADE 可以變成三路：
Dense（BGE-M3） → 語義相關性
SPLADE → 關鍵字 + 詞彙擴展
BM25 → 精確關鍵字
三路 RRF 融合 → 更全面的召回SPLADE 填補的是 Dense 和 BM25 之間的空間：BM25 找不到的近義詞，Dense 有時候又太模糊，SPLADE 在中間這個區域表現更好。
實際限制
語言支援：SPLADE 的詞彙擴展依賴訓練資料。繁體中文的 SPLADE 模型不多，要用的話需要找有繁中資料的版本，或是接受擴展效果有限。
平台支援：Cloudflare Workers AI 目前（2026）沒有提供 SPLADE 模型。要在 Workers 上用，只能呼叫外部 API（增加延遲和成本）或等平台支援。
複雜度換算：加第三路搜尋的邊際效益，要跟 BM25 + Dense 已經涵蓋的範圍對比。如果 Dense 搜尋的語義覆蓋已經夠好，SPLADE 的提升可能有限。
什麼時候值得導入
值得嘗試的情況：
- 查詢裡大量使用縮寫、別稱、俚語（攀岩術語有很多這類情況）
- Dense 搜尋在專業術語上表現不穩定
- BM25 的 recall 明顯不足
可以暫時不用的情況：
- 已有 Contextual Retrieval 讓文件語義更豐富
- 有 Multi-Query 擴展彌補了詞彙覆蓋不足的問題
- 平台不原生支援，需要額外的網路呼叫
整體來說
SPLADE 是 BM25 的有力進化，但不是每個系統都需要它。Dense + BM25 + Multi-Query 的組合在很多場景已經夠好。SPLADE 的價值在於它補了一個特定的空缺：術語近義詞和縮寫擴展，而且用稀疏向量實作所以速度快。
如果你的 RAG 系統在「找不到用不同說法表達同一概念的文件」這個問題上反覆出現，SPLADE 值得認真評估。