SHIFT: Self-reconstruction Harnesses Implicit Fine-grained Thinking for Retrieval
Peking University(北京大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Beihang University(北京航空航天大学)
研究针对基于LLM的检索器存在的问题,提出SHIFT框架。通过残差投影等转换LLM为高效检索器,利用细粒度重建缓解不匹配,经实验验证其性能优于其他检索器,为信息检索提供新方法。
2026-07-24 cs.IR
Predicting Efficiency/Effectiveness Trade-offs for Dense vs. Sparse Retrieval Strategy Selection
在过去的几年里,情境化的预训练Transformer模型,如BERT,在信息检索任务上提供了实质性的改进。最近的方法基于预训练的Transformer模型,如BERT,微调嵌入空间中查询和文档的密集低维上下文表示。虽然这些密集的检索享受实质性的检索效率相比,稀疏的检索,他们是计算密集型,需要大量的GPU资源,和密集的检索被认为是更昂贵的时间和资源的角度来看。此外,稀疏寻回犬已被证明检索互补信息密集寻回犬,导致混合寻回犬的建议。这些混合检索器利用低成本,精确匹配的稀疏检索器以及密集检索器,以弥合查询和文档之间的语义差距。在这项工作中,我们通过提出一个分类器来选择合适的检索策略(即,稀疏对密集对混合)。对于可以用稀疏检索器回答的查询,利用稀疏检索器减少了对GPU的调用数量。因此,在保持效用的同时,查询延迟降低。虽然我们使用更少的计算资源和花费更少的时间,我们仍然实现了改进的性能。我们的分类器可以选择稀疏和稠密检索策略的基础上的查询。我们在MS MARCO通道数据集上进行实验,展示了纯稀疏,纯密集或混合检索策略之间的效率/有效性权衡的改进范围,允许基于目标延迟和资源预算选择适当的策略。
2021-09-22 cs.IR
Promptriever: Instruction-Trained Retrievers Can Be Prompted Like Language Models
Johns Hopkins University(约翰斯·霍普金斯大学);Samaya AI(萨马亚人工智能公司)
本研究提出首个可像语言模型一样被提示的检索模型Promptriever,基于MS MARCO构建近50万实例的指令训练集,在相关性指令遵循、查询鲁棒性、提示式超参搜索上均取得显著提升,为检索模型的提示控制研究奠定基础。
2024-09-17 cs.CL cs.IR cs.LG
ARK: Answer-Centric Retriever Tuning via KG-augmented Curriculum Learning
Shanghai Jiao Tong University(上海交通大学)
本文提出一种基于知识图谱增强课程学习的答案导向检索器调优框架,通过生成增强查询和逐步挑战的硬负样本,提升检索器区分关键证据的能力,实验表明在多个基准数据集上性能优于基线模型。
2026-04-12 cs.IR
Large Language Models are Strong Zero-Shot Retriever
Microsoft Cooperation(微软公司);University of Maryland(马里兰大学)
提出LameR方法,仅用LLM实现零样本大规模检索,通过候选答案增强查询并采用BM25规避检索瓶颈,在基准数据集上取得极具竞争力的性能。
2023-08-02 cs.CL cs.IR
Improving Multitask Retrieval by Promoting Task Specialization
Rutgers University(罗格斯大学);Microsoft(微软)
本文提出通过选择多任务优化的预训练模型与自适应学习方法促进任务特化,训练出在 KILT 基准上优于任务特定检索器的多任务检索器。
2023-07-01 cs.CL cs.IR
MARVEL: Multimodal Adaptive Reasoning-intensiVe Expand-rerank and retrievaL
Chungbuk National University(忠北国立大学);University of Innsbruck(因斯布鲁克大学)
本文提出MARVEL框架,通过统一的扩展-检索-排序流程,结合LLM驱动的查询扩展、增强推理的密集检索器和基于GPT-4o的逐步推理排序,提升了多模态检索性能,在MM-BRIGHT基准上实现了37.9nDCG@10的高分。
2026-04-08 cs.IR
HASH-RAG: Bridging Deep Hashing with Retriever for Efficient, Fine Retrieval and Augmented Generation
Hash-RAG 通过深度哈希直接从知识库学习二进制码以提升检索效率,并设计 PGCC 模块增强大模型上下文感知,在多个问答数据集上实现检索时间降低 90% 且 EM 分数提升 1.4-4.3%。
2025-06-03 cs.IR
Intermediate Distillation: Data-Efficient Distillation from Black-Box LLMs for Information Retrieval
针对黑盒 LLM 无法通过权重或输出概率提供蒸馏监督的问题,提出仅用排序生成结果的 LLM-ranker-retriever 中间蒸馏方案,以 1,000 个实例提升检索器及 RAG 问答性能。
2024-06-18 cs.IR
Promptagator: Few-shot Dense Retrieval From 8 Examples
Google Research(谷歌研究院)
最近关于信息检索的许多研究都集中在如何从一个任务(通常具有丰富的监督数据)转移到监督有限的各种其他任务上,隐含的假设是可以从一个任务推广到所有其他任务。然而,这忽略了一个事实,即有许多不同的和独特的检索任务,每一个目标是不同的搜索意图,查询和搜索域。在本文中,我们建议在Few-Shot稠密检索上工作,在这种设置中,每个任务都有一个简短的描述和一些例子。为了放大几个例子的力量,我们提出了检索器(检索器),它利用大语言模型(LLM)作为一个Few-Shot查询生成器,并根据生成的数据创建特定于任务的检索器。在LLM的泛化能力的支持下,Aptagator可以仅基于几个示例创建特定于任务的端到端检索器,而不使用Natural Questions或MS MARCO来训练%问题生成器或双编码器。令人惊讶的是,不超过8个示例的LLM提示允许双编码器在11个检索集上平均超过1.2 nDCG,超过在MS MARCO(如ColBERT v2)上训练的经过大量工程设计的模型。使用相同的生成数据进一步训练标准尺寸的重新排序器产生另一个5.0点nDCG改善。我们的研究确定,查询生成可以比以前观察到的更有效,特别是当少量的特定于任务的知识。
2022-09-23 cs.CL cs.IR
Query Encoder Distillation via Embedding Alignment is a Strong Baseline Method to Boost Dense Retriever Online Efficiency
University of Pennsylvania(宾夕法尼亚大学)
提出一种简单基线方法,通过嵌入对齐蒸馏查询编码器,以非对称架构在BEIR上保留92.5%性能,提升稠密检索器在线效率。
2023-06-05 cs.AI cs.IR
Revela: Dense Retriever Learning via Language Modeling
Technical University of Darmstadt(达姆施塔特技术大学);University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学);Microsoft(微软);Tencent AI Lab(腾讯人工智能实验室)
Revela通过语言建模方法实现自监督检索器学习,无需标注数据即可在多个基准上超越监督模型。
2026-11-17 cs.CL cs.IR
Is Relevance Propagated from Retriever to Generator in RAG?
本研究针对信息检索任务的主题重叠相关性,利用IR测试集实证探究RAG中检索文档的主题相关性与下游任务效用的关系,发现二者呈弱正相关且相关性随上下文规模增大而降低,同时更优的检索模型通常能提升RAG下游性能。
2025-02-20 cs.IR
Pseudo Relevance Feedback is Enough to Close the Gap Between Small and Large Dense Retrieval Models
The University of Queensland(昆士兰大学);University of International Business and Economics(国际商务经济大学);CSIRO(澳大利亚联邦科学与工业研究组织)
本文提出 PromptPRF 离线伪相关反馈框架,从初检文档提取特征并融入查询表示,使小型密集检索器零样本接近大模型性能并降低成本。
2025-06-06 cs.IR cs.LG
Illusions of Relevance: Arbitrary Content Injection Attacks Deceive Retrievers, Rerankers, and LLM Judges
University of Waterloo(滑铁卢大学)
本文揭示了任意内容注入攻击可欺骗检索器、重排序器和LLM判断者,指出模型在安全性和鲁棒性上的弱点,并呼吁进一步研究。
2025-12-30 cs.IR
Ask Optimal Questions: Aligning Large Language Models with Retriever's Preference in Conversation
Korea University(韩国大学);KAIST AI(韩国科学技术院人工智能研究中心);Seoul National University(首尔国立大学);AIGEN Sciences(AIGEN科学)
针对对话式搜索中现有重写-检索方法查询重写效果不佳的问题,提出RetPO框架,通过构建含41万+重写反馈的RF collection数据集微调小模型,实现与检索器偏好对齐,性能超现有SOTA。
2025-06-16 cs.CL cs.IR
TongSearch-QR: Reinforced Query Reasoning for Retrieval
本文提出小规模查询推理模型 TongSearch QR,通过半规则奖励的强化学习让 7B/1.5B 模型达到媲美大模型的查询重写能力,并在 BRIGHT 上结合 BM25 显著超越基线。
2025-06-16 cs.IR
Effective Dense Retrieval using Only In-Context Examples
University of Waterloo(滑铁卢大学);The University of Queensland(昆士兰大学)
提出免训练的RICE方法,利用上下文示例提示LLM生成高质量稠密表示,显著提升检索准确性,无需额外训练。
2026-09-30 cs.CL cs.IR
Your Dense Retriever is Secretly an Expeditious Reasoner
School of Computer Science and Engineering, Beihang University, China(北京航空航天大学计算机科学与工程学院);Beijing Institute for General Artificial Intelligence, China(北京通用人工智能研究院)
针对稠密检索器难处理推理型查询、全用LLM重构查询成本过高的问题,提出混合查询重写框架AdaQR,通过路由器动态分配推理路径,在嵌入空间实现类LLM推理,在BRIGHT基准上降本28%且检索性能提升7%。
2025-10-28 cs.AI cs.IR cs.LG
ARL2: Aligning Retrievers for Black-box Large Language Models via Self-guided Adaptive Relevance Labeling
Renmin University of China(中国人民大学);Georgia Institute of Technology(佐治亚理工学院)
提出ARL2检索器学习技术,利用黑盒LLM作为标注器对证据打分,并结合自适应自训练策略降低标注成本,显著提升了检索准确率与零样本泛化能力。
2024-06-04 cs.AI cs.CL cs.IR
Difficulty-Gated Fusion of Reasoning Views for Temporal Retrieval
UNSW Sydney(新南威尔士大学);University of Innsbruck(因斯布鲁克大学)
该研究针对时序检索中多改写视图融合的精度问题,提出查询难度门控的推理视图融合方法,在Tempo基准上提升了6种检索器的性能,且增益显著。
2026-08-11 cs.IR
Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG
Beihang University(北京航空航天大学);University of Electronic Science and Technology of China(电子科技大学);Guangxi Normal University(广西师范大学)
本文提出GFM-Retriever,通过图基础模型实现路径感知的子图检索,提升多跳问答任务的检索与生成性能。
2026-03-07 cs.IR
SAGE: Benchmarking and Improving Retrieval for Deep Research Agents
NYU Shanghai(纽约大学上海校区);Yale University(耶鲁大学);Center for Data Science, New York University(纽约大学数据科学中心)
SAGE基准测试评估了深度研究代理的检索能力,发现BM25在推理密集型检索中表现优于大语言模型检索器,并提出基于语料库的测试时扩展框架提升检索性能。
2026-02-06 cs.CL cs.IR
Can Instructed Retrieval Models Really Support Exploration?
Microsoft(微软)
本文评估了指导检索模型在探索性搜索中的表现,发现其在排名相关性上优于传统方法,但对指示的敏感性不足,不适合长期探索任务。
2026-01-16 cs.HC cs.IR
DeRAG: Black-box Adversarial Attacks on Multiple Retrieval-Augmented Generation Applications via Prompt Injection
Department of Management Information Systems, National ChengChi University(管理信息系,国立中正大学)
本文提出DeRAG方法,利用差分进化黑盒优化对抗性提示后缀,在仅使用不超过5个token的情况下提升错误文档检索排名,实现对多个RAG应用的攻击,并验证其后缀可读性及对BERT检测器的规避能力。
2025-07-20 cs.AI cs.IR
Accelerating Retrieval-Augmented Language Model Serving with Speculation
Carnegie Mellon University(卡内基梅隆大学);University of California, Berkeley(加州大学伯克利分校);Google DeepMind(谷歌DeepMind)
针对迭代式RaLM频繁检索导致的高延迟问题,提出RaLMSpec框架,通过推测检索、批量验证、预取、调度和异步验证在保持输出不变的同时实现显著服务加速。
2024-01-25 cs.CL cs.IR cs.LG
Pearl: Personalizing Large Language Model Writing Assistants with Generation-Calibrated Retrievers
Microsoft(微软);Microsoft Research(微软研究院);Purdue University(普渡大学)
针对LLM写作助手缺乏个性化的问题,提出Pearl,利用生成校准检索器选择历史文档增强提示,通过数据选择与尺度校准KL散度训练,在社交媒体数据集上提升长文生成质量,并可预测性能。
2024-11-05 cs.CL cs.HC cs.IR
LLM-guided Hierarchical Search for End-to-end Reasoning Intensive Retrieval
UT Austin(得克萨斯大学);UCLA(加州大学洛杉矶分校);Google(谷歌)
本文提出LATTICE,一种无需嵌入模型的LLM引导层次化搜索方法,通过LLM构建搜索索引并校准路径聚合遍历,在推理密集型基准上达到与最优微调集成基线相当的性能。
2026-05-25 cs.IR cs.LG
BMRetriever: Tuning Large Language Models as Better Biomedical Text Retrievers
Emory University(埃默里大学);Georgia Tech(佐治亚理工学院);UCLA(加利福尼亚大学洛杉矶分校)
本文提出 BMRetriever 系列密集检索器,通过大规模生物医学语料无监督预训练与指令微调提升检索性能,在多个任务上以较小参数规模达到或超越更大模型。
2024-10-04 cs.AI cs.CL cs.IR
MACA: A Framework for Distilling Trustworthy LLMs into Efficient Retrievers
JP Morgan Chase(摩根大通公司);IIIT Hyderabad(海得拉巴印度理工学院)
MACA通过提炼可信LLM为高效检索器,提升检索准确率并减少LLM调用成本
2026-01-01 cs.AI cs.IR
Efficiently Teaching an Effective Dense Retriever with Balanced Topic Aware Sampling
TU Wien(维也纳工业大学);University of Waterloo(滑铁卢大学)
广泛采用神经检索模型的关键一步是在整个训练,索引和查询工作流程中的资源效率。近年来,神经检索界在训练有效的双编码器稠密检索(DR)模型方面取得了很大进展。密集文本检索模型使用每个查询和段落的单个向量表示来对匹配进行评分,这使得具有最近邻搜索的低延迟第一阶段检索成为可能。越来越常见的训练方法需要巨大的计算能力,因为它们要么从不断更新的刷新索引中进行负通道采样,要么需要非常大的批量进行批量负采样。而不是依赖于更多的计算能力,我们引入了一个有效的主题感知查询和平衡的利润率采样技术,称为TAS平衡。我们在训练之前对查询进行一次聚类,并在每个批次中对聚类中的查询进行采样。我们用一种新颖的双教师监督来训练我们的轻量级6层DR模型,该监督结合了成对和批量的负教师。我们的方法可以在48小时内在单个消费级GPU上训练(而不是8 x V100的常见配置)。我们证明了我们的TAS-Balanced训练方法在两个TREC深度学习Track查询集上实现了最先进的低延迟(每个查询64 ms)结果。在NDCG@10上进行评估,我们的表现比BM 25好44%,比普通训练的DR好19%,比docT 5 query好11%,比之前最好的DR模型好5%。此外,TAS-Balanced还生成了第一个密集检索器,该检索器在TREC-DL的任何截止点上的召回率都优于其他所有方法,并允许更多资源密集型重新排序模型在更少的段落上…
2021-05-26 cs.CL cs.IR
DIVER: A Multi-Stage Approach for Reasoning-intensive Information Retrieval
Ant Group(蚂蚁集团);Sun Yat-sen University(中山大学)
DIVER通过多阶段流程提升推理密集型信息检索性能,包含文档预处理、查询扩展、检索和重排序四个环节,有效应对需要抽象推理和多步推理的复杂查询。
2026-04-02 cs.AI cs.IR
Seek: Self-Evaluative Exploration for Knowledge Retrieval
University of Waterloo(滑铁卢大学);Mila – Quebec AI Institute(魁北克人工智能研究所);University of California, Berkeley(加州大学伯克利分校);University of Toronto(多伦多大学);Toronto Metropolitan University(多伦多都会大学)
Seek提出一种无需训练的迭代检索框架,通过LLM生成伪段落与评估器反馈,在测试时多次交互语料库,显著提升召回率与排序质量。
2026-09-25 cs.IR
Corpus Poisoning via Approximate Greedy Gradient Descent
本文提出 AGGD 攻击方法,用结构化搜索改进 HotFlip 以生成更高质量的对抗性 token 扰动,在多个数据集和检索器上显著提升语料库投毒成功率,并可泛化及用于 RAG 知识投毒。
2024-10-25 cs.IR
Improving Neural Retrieval with Attribution-Guided Query Rewriting
IRIT, UMR5505 CNRS Université Toulouse Capitole(IRIT,CNRS 5505 机构,图卢兹大学);IRIT, UMR5505 CNRS UT2J, Université de Toulouse(IRIT,CNRS 5505 机构,图卢兹大学)
本文提出归因引导的查询重写方法,通过标记级解释指导LLM澄清模糊查询,提升神经检索效果。
2026-02-12 cs.AI cs.IR cs.LG
A Survey of Reasoning-Intensive Retrieval: Progress and Challenges
Zhejiang University(浙江大学);University of the Chinese Academy of Sciences(中国科学院大学);Nanyang Technological University(南洋理工大学);Yale University(耶鲁大学)
本文综述了推理密集型检索领域,系统分析了现有基准,提出了结构化分类体系,并总结了挑战与未来方向。
2026-04-30 cs.AI cs.IR
MM-Embed: Universal Multimodal Retrieval with Multimodal LLMs
NVIDIA(英伟达);University of Waterloo(滑铁卢大学)
针对现有检索模型场景单一、模态受限的问题,本文提出基于多模态大语言模型的通用多模态检索方法MM-Embed,通过模态感知难负例挖掘、持续微调等技术,在多模态和文本检索基准上均取得SOTA性能,并验证了MLLM零样本重排序的提升效果。
2025-02-22 cs.AI cs.CL cs.CV
Exp4Fuse: A Rank Fusion Framework for Enhanced Sparse Retrieval using Large Language Model-based Query Expansion
City University of Hong Kong(香港城市大学);The University of Hong Kong(香港大学)
本文提出 Exp4Fuse 排序融合框架,通过融合原始查询与 LLM 零样本扩展查询的稀疏检索结果,在多个数据集上以更低成本取得 SOTA。
2025-06-05 cs.AI cs.CL cs.IR
The Magnitude Mirage: Rethinking Confidence for Reasoning-Intensive Retrieval
UNSW Sydney(新南威尔士大学);University of Innsbruck(因斯布鲁克大学)
针对RAG检索弃权(不执行)中幅度置信度的失效问题,提出采用分数分布信号(如分数差距和LSMV)替代幅度阈值,在逻辑与时间推理任务上显著提升弃权(不执行)AUROC,且零额外成本。
2026-09-15 cs.IR
R^2AG: Incorporating Retrieval Information into Retrieval Augmented Generation
School of Computer Science, South China Normal University(华南师范大学计算机学院);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
针对大语言模型与检索器间的语义鸿沟问题,提出新型增强RAG框架R^2AG,通过R^2-Former捕获检索信息并结合检索感知提示策略,在低资源冻结场景下经五个数据集验证有效提升生成效果。
2024-10-30 cs.AI cs.CL cs.IR
BRIDGE: Multimodal-to-Text Retrieval via Reinforcement-Learned Query Alignment
High institute for computer & information systems(高等计算机与信息系统学院);Chungbuk National University(忠北大学);Assiut University(艾斯尤特大学);University of Innsbruck(因斯布鲁克大学)
BRIDGE通过强化学习查询对齐模型和增强神经搜索检索器,解决多模态查询在文本库中的检索问题,实现优于多模态编码器的nDCG@10性能。
2026-04-08 cs.CV cs.IR
LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高陵人工智能学院);Tongyi Lab, Alibaba Group(阿里集团通义实验室)
LaSER通过将显式推理内化到潜在空间,提升密集检索性能,结合推理深度与推理效率。
2026-03-02 cs.CL cs.IR
What Transfers from a VLM Teacher? Comparing Supervision Signals for Visual Document Retrieval
Jina AI by Elastic(Elastic旗下Jina AI)
本研究比较VLM教师监督信号,发现用教师评判难负样本优于丰富正样本,提升ViDoRe检索性能,并验证其可靠性。
2026-10-08 cs.IR
SSR: Structural Signal Retriever for Scalable Agent Discovery in LLM-Orchestrated Multi-Agent Systems
Institute of Computing – State University of Campinas(坎皮纳斯州立大学计算研究所)
针对LLM编排多智能体系统中智能体发现的候选上下文可扩展性问题,提出无需训练的SSR方法,可大幅降低LLM输入与延迟,提升检索效果并避免操作故障。
2026-10-16 cs.AI cs.IR cs.MA
MIXRAG : Mixture-of-Experts Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering
Wayne State University(韦恩州立大学);Emory University(埃默里大学)
MIXRAG通过专家混合图-RAG框架,利用多个专门化图检索器和动态路由控制器,提升复杂查询处理和噪声过滤能力,实现文本图理解和问答任务的高性能表现。
2026-02-07 cs.AI cs.IR
RaDeR: Reasoning-aware Dense Retrieval Models
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
RaDeR利用LLM推理轨迹与自反思评估生成难负样本,训练推理感知稠密检索器,在BRIGHT和RAR-b上超越强基线,并首个在思维链查询下优于BM25,且仅用2.5%数据达到同等效果。
2025-05-27 cs.CL cs.IR
KAMR: Grounding Generation via Knowledge-Aligned Multi-hop Retrieval
The Pennsylvania State University(宾夕法尼亚州立大学);University at Albany, State University of New York(纽约州立大学奥尔巴尼分校);Stony Brook University, State University of New York(纽约州立大学石溪分校)
该研究针对多跳检索中三元组排序与监督缺失问题,提出KAMR知识对齐多跳检索器,通过构建部分对齐数据集优化对比目标,在多基准与LLM主干上提升了多跳检索和下游问答性能。
2026-07-30 cs.IR
Query2doc: Query Expansion with Large Language Models
Microsoft Research(微软研究院)
本文提出query2doc方法,利用大型语言模型生成伪文档来扩展查询,显著提升稀疏和稠密检索系统的性能,无需微调。
2023-10-11 cs.CL cs.IR
Graph-Based Retriever Captures the Long Tail of Biomedical Knowledge
Boston Consulting Group, AI Institute(波士顿咨询公司AI研究院)
针对LLMs和RAG方法因概念簇过载而遗漏罕见生物医学知识的问题,提出利用知识图谱下采样的检索方法,其性能约为传统方法两倍,且混合模型表现更优。
2024-02-19 cs.CL cs.IR
RAR-b: Reasoning as Retrieval Benchmark
Durham University(杜伦大学)
本文提出 RAR-b 基准,将推理任务转化为检索任务以评估检索器的推理能力,发现现有模型存在明显短板,并通过微调重排序器在所有任务上达到最优。
2024-05-12 cs.CL cs.IR
MERGE: Multi-LLM Ensemble for Retrieval via Generative Enrichment
University of Waterloo(滑铁卢大学);National Taiwan University(国立台湾大学);Rakuten Group, Inc.(乐天集团株式会社);Rakuten Asia Pte. Ltd.(乐天亚洲私人有限公司)
提出MERGE框架,利用三个开源LLM生成查询扩展并由大模型集成,结合任务导向的自动提示优化,在BEIR基准上显著提升BM25检索性能。
2026-10-01 cs.CL cs.IR
GEM: A Generative Embedding Model Bridging Reasoning and Retrieval
University of Glasgow(格拉斯哥大学)
针对传统检索器表层匹配导致的需求解读差距问题,提出生成式嵌入模型GEM,将推理与检索统一,在相关任务上性能优于基线,还可通过提示扩展测试时计算提升效果。
2026-08-17 cs.AI cs.CL cs.IR
Cloud and On-Premises Deployment of Uzbek Legal RAG via Targeted Retriever Fine-Tuning
Metric AI Lab
针对乌兹别克斯坦低资源语言的法律RAG部署场景,构建两个领域基准,训练开源文本嵌入器UTE-1,提炼实用指南并发布相关资源。
2026-09-01 cs.CL cs.IR
DiffRetriever: Parallel Representative Tokens for Retrieval with Diffusion Language Models
The University of Queensland(昆士兰大学);CSIRO(澳大利亚联邦科学与工业研究组织)
提出DiffRetriever,利用扩散语言模型的掩码位置预测直接进行检索,支持单表示和多表示检索,在多个基准上优于现有方法。
2026-05-27 cs.CL cs.IR