vstash: Local-First Hybrid Retrieval with Adaptive Fusion for LLM Agents
vstash通过自适应融合和自监督嵌入优化,提升LLM代理在多数据集上的检索性能,实现NDCG@10的显著提升。
2026-04-16 cs.IR
Parameterized Dense-Sparse Fusion for Hybrid Retrieval: Tuning a Rank-Score Mix on BEIR SciFact with Qdrant
Involead Services Pvt. Ltd.(Involead服务私人有限公司)
本研究提出参数化稠密-稀疏融合混合检索器,在SciFact上通过网格搜索调优参数,达到0.753 nDCG@10,优于稠密BGE和等权重RRF,并验证系数需按数据集调整。
2026-09-23 cs.AI cs.IR
Jean-Luc Picard at Touché 2023: Comparing Image Generation, Stance Detection and Feature Matching for Image Retrieval for Arguments
Friedrich-Schiller-University Jena(耶拿弗里德里希·席勒大学)
本研究参与Touché 2023的面向论证图像检索共享任务,构建含图像生成、立场检测等模块的不同检索流水线,对比四套不同布局方案与基线,发现其表现与基线相当。
2023-07-18 cs.CV cs.IR
Hard Negatives, Hard Lessons: Revisiting Training Data Quality for Robust Information Retrieval with LLMs
David R. Cheriton School of Computer Science, University of Waterloo(滑铁卢大学大卫·R·切里顿计算机科学学院)
本文研究大规模检索训练集中的假负例问题,提出用 LLM 识别并重标注相关段落,证明数据精简与修正可显著提升 E5、Qwen2.5 检索及重排序模型效果。
2025-10-18 cs.AI cs.CL cs.IR
DS@GT ARC at Touché: Large Language Models for Retrieval-Augmented Debate
Georgia Institute of Technology(佐治亚理工学院)
DS@GT ARC参与Touché 2025检索增强辩论任务,采用三家提供商的六个主流LLMs通过检索增强提示流水线,发现多LLM评估者一致性无法可靠追踪官方评估目标,在质准则上差距最大。
2026-08-11 cs.CL cs.IR
Fine-Tuning LLaMA for Multi-Stage Text Retrieval
本研究将LLaMA微调为密集检索器RepLLaMA和重排序器RankLLaMA,在MS MARCO上验证其超越小模型,并能整体表示长文档,在BEIR上展现强零样本性能。
2023-10-12 cs.IR
HYRR: Hybrid Infused Reranking for Passage Retrieval
Google Research(谷歌研究院)
我们提出了混合注入重排序的段落检索(HYRR),一个框架,用于训练重排序的基础上的混合BM 25和神经检索模型。基于混合模型的检索器已被证明优于单独的BM 25和神经模型。我们的方法在训练重排序器时利用了这种改进的性能,从而产生了一个强大的重排序模型。的reranker,交叉注意神经模型,被证明是强大的不同的第一阶段检索系统,实现更好的性能比rerankers简单地训练后的第一阶段检索在多阶段系统。我们目前的评估监督通过检索任务使用MS MARCO和zero-shot检索任务使用BEIR。实证结果表明,这两个评价表现强劲。
2022-12-20 cs.CL cs.IR
DS@GT at Touché: Large Language Models for Retrieval-Augmented Debate
Georgia Institute of Technology(佐治亚理工学院);Peoples' Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学);Joint Institute for Nuclear Research(联合核研究所);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Skövde(斯德哥尔摩大学)
本文研究LLMs在结构化辩论与辩论话语评估中的能力,部署六款公开模型进行检索增强辩论与评估,发现其辩论表现良好但回复冗长,评估保持一致。
2025-07-12 cs.CL cs.IR
Aligning LLMs with Sparse Retrieval via Adaptive Sparse Supervision
School of Computer Science and Technology, Soochow University(苏州大学计算机科学与技术学院)
本研究针对LLM用于第一阶段检索时延迟与存储成本高的问题,提出基于LLM的稀疏检索框架,通过自适应稀疏对齐策略结合多技术微调,在多数据集上实现了效果与效率的良好权衡。
2026-10-16 cs.IR
Unsupervised Dense Information Retrieval with Contrastive Learning
Meta AI Research(Meta人工智能研究院);Ecole normale supérieure, PSL University(巴黎文理研究大学高等师范学院);Inria(法国国家信息与自动化研究所);Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学);University College London(伦敦大学学院)
最近,信息检索已经看到了使用神经网络的密集检索器的出现,作为基于词频的经典稀疏方法的替代。这些模型在有大型训练集的数据集和任务上获得了最先进的结果。然而,它们不能很好地转移到没有训练数据的新应用中,并且被诸如BM 25的无监督词频方法优于。在这项工作中,我们探讨了对比学习的局限性,作为一种训练无监督的密集检索器,并表明它导致在各种检索设置的强大性能。在BEIR基准测试中,我们的无监督模型在Recall@100的15个数据集中的11个数据集上优于BM 25。当在微调之前用作预训练时,无论是在几千个域内示例上还是在大型MS~MARCO数据集上,我们的对比模型都会导致BEIR基准的改进。最后,我们评估了我们的方法多语言检索,其中训练数据甚至比英语更稀缺,并表明我们的方法导致强大的无监督性能。我们的模型也表现出强大的跨语言迁移时,微调监督英语数据和低资源的语言,如斯瓦希里语进行评估。我们表明,我们的无监督模型可以在不同的脚本之间进行跨语言检索,例如从阿拉伯语查询中检索英语文档,这是术语匹配方法无法实现的。
2022-08-29 cs.AI cs.CL cs.IR
SPRINT: A Unified Toolkit for Evaluating and Demystifying Zero-shot Neural Sparse Retrieval
University of Waterloo(滑铁卢大学);TU Darmstadt(达姆施塔特工业大学)
本研究推出基于Pyserini和Lucene的统一神经稀疏检索评估工具包SPRINT,在BEIR基准上建立零样本稀疏检索基线,揭示SPLADEv2性能最优的关键原因。
2023-07-19 cs.CL cs.IR cs.LG
Efficient Constant-Space Multi-Vector Retrieval
University of Glasgow(格拉斯哥大学);Pinecone;University of Pisa(比萨大学)
针对ColBERT等多向量检索方法存储成本高的问题,提出将文档编码为固定数量向量的方法,在降低存储开销并优化分页管理的同时,于MSMARCO和BEIR上保留了大部分检索有效性。
2025-04-02 cs.CL cs.IR
MS-Shift: An Analysis of MS MARCO Distribution Shifts on Neural Retrieval
预训练语言模型最近出现在信息检索中,作为新一代神经系统的支柱,在各种任务上优于传统方法。然而,目前还不清楚这种方法在zero-shot条件下推广到什么程度。最近的BEIR基准通过比较与训练条件不同的数据集和任务上的模型,为这个问题提供了部分答案。我们的目标是解决同样的问题,比较模型下更明确的分布偏移。为此,我们在MS MARCO中构建了三个基于查询的分布偏移(查询语义,查询意图,查询长度),用于评估基于BERT的三个主要神经检索器家族:稀疏,密集和后期交互-以及单BERT重新排名器。我们进一步分析了训练和测试查询分布之间的性能下降。特别是,我们实验两个泛化指标:第一个基于训练/测试查询词汇重叠,第二个基于表示的训练双编码器。直觉上,这些指标验证了测试集离训练集越远,性能下降越严重。我们还表明,模型对转变的反应不同-密集方法受到的影响最大。总体而言,我们的研究表明,它是可能的设计更可控的分布偏移作为一种工具,以更好地理解IR模型的泛化。最后,我们发布了MS MARCO查询子集,它为信息检索中的基准zero-shot传输提供了额外的资源。
2023-01-25 cs.IR
Don't Retrieve, Generate: Prompting LLMs for Synthetic Training Data in Dense Retrieval
本文提出通过提示大型语言模型生成合成硬负样本,用于密集检索模型训练,通过在10个BEIR基准数据集上评估发现,生成模型性能不优于传统方法。
2026-05-10 cs.CL cs.IR
Effective Inference-Free Retrieval for Learned Sparse Representations
本文提出学习型免推理检索方法Li-LSR,通过为每个token学习分数将查询编码转化为表查找,消除了查询编码瓶颈,在域内外评估中均达到最先进的有效性。
2025-04-30 cs.IR
Enhancing Dense Retrievers' Robustness with Group-level Reweighting
针对无监督web图数据模式多样且不平衡导致密集检索模型性能次优的问题,提出WebDRO方法,通过聚类锚点-文档对并利用组分布鲁棒优化重新加权,提升模型在最坏情况下的泛化能力与检索性能。
2024-10-14 cs.IR
Weighted KL-Divergence for Document Ranking Model Refinement
本文提出一种对比式加权 KL 散度损失,用于在知识蒸馏中优先对齐教师与学生模型以更好区分正负文档,并在 MS MARCO 和 BEIR 上验证其有效性。
2024-06-10 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
ARHN: Answer-Centric Relabeling of Hard Negatives with Open-Source LLMs for Dense Retrieval
LG AI Research(LG AI研究)
ARHN通过利用开源大语言模型对困难负样本进行重标定,结合重标定与过滤策略提升检索效果,提供更清洁的监督信号。
2026-04-13 cs.IR
Match Your Words! A Study of Lexical Matching in Neural Information Retrieval
Naver Labs Europe(Naver Labs 欧洲);Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心)
神经信息检索模型有望取代现代搜索引擎中的词汇匹配模型,例如BM 25。虽然他们的能力在MS MARCO等域内数据集上表现出色,但他们最近在域外zero-shot设置(BEIR基准)上受到挑战,与词袋方法相比,他们的实际泛化能力受到质疑。特别是,我们想知道这些缺点是否(部分)是神经IR模型无法执行现成的词汇匹配的结果。在这项工作中,我们提出了一个衡量任何(神经)模型和一个“理想”的词汇匹配之间的差异。在此基础上,我们研究了不同的最先进的神经IR模型的行为,重点是它们是否能够在实际有用的时候(即重要术语)进行词汇匹配。总的来说,我们表明,神经IR模型未能正确概括术语重要性的域外收集或术语几乎看不见在训练过程中
2021-12-13 cs.CL cs.IR
AugTriever: Unsupervised Dense Retrieval and Domain Adaptation by Scalable Data Augmentation
Salesforce Research(Salesforce研究院)
本研究针对稠密检索依赖人工标注的问题,提出AugTriever框架,通过查询提取和迁移式查询生成两种无监督数据增强方法生成伪查询-文档对,在BEIR和ODQA数据集上实现了优于强基线的无监督稠密检索、域适应及有监督微调效果。
2024-10-30 cs.CL cs.IR
Noisy Self-Training with Synthetic Queries for Dense Retrieval
School of Computing and Information Systems(计算与信息系统学院);The University of Melbourne(墨尔本大学);Google DeepMind(谷歌DeepMind)
本文提出一种结合合成查询的噪声自训练框架,使神经检索器无需外部模型即可自进化提升,在通用与领域外基准上一致优于现有方法,并展现出低资源数据高效性和对重排序器训练的通用性。
2023-11-27 cs.CL cs.IR
Mamba Retriever: Utilizing Mamba for Effective and Efficient Dense Retrieval
本文提出 Mamba Retriever,利用 Mamba 架构作为密集检索的编码器,在短文本和长文本数据集上微调,实验证明其在有效性和推理速度上均优于或等同于 Transformer 模型,尤其适用于长文本检索。
2024-08-22 cs.IR
Retrieving Comparative Arguments using Ensemble Methods and Neural Information Retrieval
本研究针对比较性问题的论证检索任务,结合决策树集成、BERT等技术构建排序模型,在赛事中取得相关性第一、质量第二的成绩,可提升比较查询处理性能。
2023-05-01 cs.IR
Evaluating Fairness in Argument Retrieval
现有的商业搜索引擎通常难以表示搜索查询的不同视角。论点检索系统解决了搜索引擎的这种限制,并且提供关于用户对有争议的主题(例如,气候变化)。这种论点检索系统的有效性通常基于主题相关性和论点质量进行评估,而不考虑为论点立场(PRO或CON)显示的文档的数量通常不同。因此,系统可能会检索相关的段落,但会有偏见地暴露论点。在这项工作中,我们分析了一系列的非随机公平意识的排名和多样性指标,以评估在何种程度上,参数的立场是公平地暴露在参数检索系统。使用CLEF 2020的论点检索任务Touché的官方运行,以及合成数据来控制排名中论点立场的数量和顺序,我们表明,在主题相关性方面具有最佳有效性的系统不一定是最公平或最多样化的论点立场。我们发现(不)公平和多样性指标之间的关系揭示了如何评估组公平性-除了主题相关性-在参数检索设置。
2021-09-19 cs.IR
Unsupervised Dense Retrieval with Relevance-Aware Contrastive Pre-Training
University of Amsterdam(阿姆斯特丹大学);JD Explore Academy(京东探索研究院);Tencent IEG(腾讯互动娱乐事业群);China University of Petroleum (East China)(中国石油大学(华东))
针对无监督对比预训练中伪正例不相关的问题,本文提出相关性感知对比学习,利用模型自身估计正例对相关性并自适应加权损失,在 BEIR 和开放域 QA 检索上持续提升 Contriever。
2023-06-05 cs.CL cs.IR
BERM: Training the Balanced and Extractable Representation for Matching to Improve Generalization Ability of Dense Retrieval
Institute of Computing Technology, CAS(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文提出BERM方法,通过将段落分割为单元并施加语义单元平衡与关键匹配单元可提取性约束,捕获细粒度且面向查询的匹配信号,有效提升了稠密检索在未见域的泛化能力且无额外开销。
2023-05-18 cs.CL 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
PLAID-PRF: Pseudo-Relevance Feedback with Centroid-like Tokens in PLAID
University of International Business and Economics(国际经济贸易大学);University of Glasgow(格拉斯哥大学)
研究在PLAID基础上提出PLAID-PRF方法,通过对顶部检索结果执行伪相关反馈来重新制定查询向量,利用质心向量降低计算成本。实验表明该方法能有效提升检索效果,相比PLAID有显著改进,且计算开销小,实现高效反馈感知后期交互检索。
2026-07-22 cs.CL cs.IR
ResRank: Unifying Retrieval and Listwise Reranking via End-to-End Joint Training with Residual Passage Compression
Qwen Applications Business Group of Alibaba(阿里巴巴Qwen应用业务组)
ResRank通过端到端联合训练与残差段落压缩技术,解决传统重排序方法中输入长度增加导致的排名质量下降和推理延迟问题,实现高效且有效的检索与重排序统一。
2026-04-24 cs.AI cs.IR
Matryoshka Hash Representations for Model-Aware Compact Semantic Retrieval
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
针对RAG检索中量化码在多字节预算下性能冲突的问题,提出两阶段马特罗什卡哈希表示(MHR),分离全宽训练与前缀组织,在MS MARCO和BEIR上以32字节超越基线。
2026-11-03 cs.AI cs.IR cs.LG
UEmbed: Unified Sparse and Dense Multimodal Embeddings
CASIA(中国科学院自动化研究所);Alibaba Group(阿里巴巴集团);University of Chinese Academy of Sciences(中国科学院大学);Yale University(耶鲁大学)
UEmbed是一种仅解码器的多模态嵌入模型,可单次前向传播生成稀疏与稠密表示,在MMEB-v2和BEIR上表现优异,统一了两类嵌入并支持多模态智能体应用。
2026-08-04 cs.AI cs.CL cs.CV