Generate to Accelerate: Improved Reranking via LLM-Generated Pivot Documents
Centre for Computational and Data Sciences IIT Kharagpur(印度理工学院卡拉格普尔分校计算与数据科学中心);Department of Natural Language Processing Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学自然语言处理系);School of Computing Science University of Glasgow(格拉斯哥大学计算机科学学院);Department of Computer Science and Engineering IIT Kharagpur(印度理工学院卡拉格普尔分校计算机科学与工程系)
提出利用LLM生成参考文档作为相关与不相关文档的枢纽,实现动态排名列表截断和高效列表式重排序,在TREC DL基准上性能提升且加速达66%。
2026-08-28 cs.IR
CompRank: Efficient LLM Reranking via Token-Level Compression and Decoding-Free Scoring
Shanghai Jiao Tong University(上海交通大学);Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative(宁波空间智能与数字孪生重点实验室);Institute of Digital Twin, Eastern Institute of Technology, Ningbo(宁波东方理工大学数字孪生研究院);University of British Columbia(不列颠哥伦比亚大学);University of Waterloo(滑铁卢大学);Google Cloud AI Research(谷歌云人工智能研究)
提出CompRank框架,通过令牌级压缩和无解码注意力评分减少冗余计算,在BEIR数据集上仅保留10.2%文档令牌即达到接近全令牌的排序性能,并实现4.9-9.5倍端到端加速。
2026-06-11 cs.IR
PARADE: Passage Representation Aggregation for Document Reranking
预训练的Transformer模型,如BERT和T5,已被证明在ad-hoc通道和文档排序方面非常有效。由于这些模型固有的序列长度限制,它们需要在文档的段落上运行,而不是一次处理整个文档序列。虽然已经提出了几种聚合多电平信号的方法,但还没有对这些技术进行广泛的比较。在这项工作中,我们探讨的战略,从一个文件的段落聚合相关信号到一个最终的排名分数。我们发现,通过表示聚合技术可以显着提高在以前的工作中提出的技术,如采取最大的通过分数。我们称这种新方法为Parade。特别是,PARADE可以显著改善具有广泛信息需求的集合的结果,其中相关性信号可以在整个文档中传播(例如TREC Robust 04和GOV 2)。同时,不太复杂的聚合技术可以更好地用于具有通常可以精确定位到单个通道的信息需求的集合(例如TREC DL和TREC Genomics)。我们还进行了效率分析,并强调了几个策略,以提高基于转换器的聚合。
2021-06-10 cs.IR
CoRank: LLM-Based Compact Reranking with Document Features for Scientific Retrieval
University of Illinois \ -Champaign Urbana United States;Korea University Seoul South Korea;University of Illinois \ -Champaign;Korea University
CoRank提出一种无需训练、模型无关的三阶段科学检索重排序框架,利用类别、章节、关键词等紧凑文档特征先进行粗粒度重排序,再对顶部候选全文细粒度排序,在5个数据集上将平均nDCG@10从50.6提升至55.5。
2025-08-17 cs.CL cs.IR
Layer-wise Token Compression for Efficient Document Reranking
Amazon AGI(亚马逊人工智能);Amazon AWS(亚马逊云科技)
本文提出逐层令牌压缩(LTC)方法,通过在中间Transformer层应用自适应令牌池化,提升文档重排序的效率,实验表明在中间层压缩能保持排序质量并显著提高推理吞吐量。
2026-05-21 cs.IR
RidgeRank: Efficient Visual Document Reranking via Score Fusion and a Shallow Linear Readout
University of Washington(华盛顿大学)
RidgeRank 通过闭式分数融合和单向量岭回归校正,在视觉文档重排序中实现接近全交叉编码器的精度,并带来高达48倍加速。
2026-09-29 cs.IR
On Listwise Reranking for Corpus Feedback
Seoul National University(首尔大学);Delft University of Technology(代尔夫特理工大学)
L2G通过隐式诱导文档图实现高效基于图的检索,无需显式图计算开销,且在效果上与基于oracle的图方法相当。
2025-12-21 cs.IR
LLM4Ranking: An Easy-to-use Framework of Utilizing Large Language Models for Document Reranking
Renmin University of China(中国人民大学);Shanghai Jiao Tong University(上海交通大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出统一框架LLM4Ranking,集成多种基于开源或API的大语言模型文档重排序方法,提供易用接口、评估与微调脚本,并在多个数据集上验证了可复现效果。
2025-04-10 cs.CL cs.IR
DiffuRank: Effective Document Reranking with Diffusion Language Models
Renmin University of China(中国人民大学);Alibaba Group(阿里巴巴集团);National University of Singapore(新加坡国立大学)
DiffuRank利用扩散语言模型改进文档重排序,通过三种策略提升效率和可控性,实验表明其性能可与自回归模型媲美。
2026-02-13 cs.CL cs.IR
DualView: Adaptive Local-Global Fusion for Multi-Hop Document Reranking
Jinan University(暨南大学)
本文提出DualView框架,通过自适应门控融合局部和全局视图,实现高效的多跳文档重排序,显著优于现有模型并在低延迟下取得高召回率。
2026-10-22 cs.AI cs.IR
Zero-Shot Listwise Document Reranking with a Large Language Model
University of Waterloo(滑铁卢大学)
针对监督排序方法依赖大量标注数据的问题,提出无需任务特定训练的大语言模型列表式重排序器LRL,在多数据集上表现优于零样本逐点方法,且具备跨语言泛化潜力。
2023-05-03 cs.CL cs.IR
A Hybrid Retrieval and Reranking Framework for Evidence-Grounded Retrieval-Augmented Generation
University of North Texas(北德克萨斯大学);California State University Fullerton(加州州立大学富勒顿分校)
本文提出一种混合检索与重排序框架,用于生物医学和医疗相关文档问答中的引用感知RAG,通过亚马逊Bedrock知识库进行文档处理,并通过Cohere重排序提升相关性,最终实现高准确率的证据基础生成。
2026-05-03 cs.IR
Can we repurpose multiple-choice question-answering models to rerank retrieved documents?
本文提出概念验证模型 R*,利用多项选择问答模型与交叉编码器的数学相似性实现轻量级文档重排序,以提升信息检索和检索增强生成系统的准确性。
2025-03-06 cs.IR
LANCER: LLM Reranking for Nugget Coverage
University of Amsterdam(阿姆斯特丹大学);Université de Moncton(蒙克顿大学);Johns Hopkins University(约翰斯·霍普金斯大学);Leiden University(莱顿大学)
LANCER 通过生成子问题并重排序文档,提升长形式 RAG 中的信息覆盖度。
2026-01-29 cs.IR
TWOLAR: a TWO-step LLM-Augmented distillation method for passage Reranking
本文提出TWOLAR,一种基于LLM知识蒸馏的两阶段段落重排序方法,通过构建多样化训练集和新评分策略,显著提升模型重排序能力,在多项基准上媲美或超越参数量多三个数量级的模型。
2024-03-26 cs.IR
miniReranker: Efficient Multimodal Reranking through Visual Cache Reuse and Interaction Sparsity
Eastern Institute of Technology, Ningbo(宁波东方理工学院);University of Waterloo(滑铁卢大学);Munich Center for Machine Learning, LMU(慕尼黑机器学习中心,慕尼黑大学)
提出miniReranker,通过视觉优先格式、早期退出、窄交互带和嵌入器引导剪枝,将重排序运行时间降至密集实现的1%以下,同时保持96%以上的性能。
2026-06-17 cs.IR
Passage Query Methods for Retrieval and Reranking in Conversational Agents
本文针对TREC iKAT赛道,扩展Generate-Retrieve-Generate流水线并提出两种段落查询方法(加权重排序和长短段落),利用Meta Llama模型提升对话式信息检索中的查询-文档匹配,其长短段落方法表现优于基线且媲美GPT-4系统。
2025-02-28 cs.IR
BoundaryMORPH: Budgeted Reranking via Active Set Selection for Diffuse Retrieval
Purdue University(普渡大学);AWS AI Labs(亚马逊AI实验室)
针对弥散检索中CE预算小于上下文容量的不匹配问题,提出BoundaryMORPH算法,利用高斯过程将CE预算用于边界处top-k集合成员判定,实现最先进的集合检索质量。
2026-09-24 cs.IR
RankVicuna: Zero-Shot Listwise Document Reranking with Open-Source Large Language Models
David R. Cheriton School of Computer Science(戴维·R·切里顿计算机科学学院);University of Waterloo(滑铁卢大学)
本文提出完全开源的 7B 参数模型 RankVicuna,可零样本执行列表式文档重排序,在 TREC 深度学习赛道上效果媲美 GPT-3.5,并提供可复现代码。
2023-09-26 cs.CL cs.IR
Beyond Sequential Reranking: Reranker-Guided Search Improves Reasoning Intensive Retrieval
Massachusetts Institute of Technology(麻省理工学院);University of Washington(华盛顿大学)
提出重排序器引导搜索(RGS),利用邻近图贪心搜索按重排序器偏好直接检索文档,在受限预算下显著提升推理密集型检索性能。
2025-09-08 cs.CL cs.IR cs.LG
Gumbel Reranking: Differentiable End-to-End Reranker Optimization
LUMIA Lab, Shanghai Jiao Tong University(上海交通大学LUMIA实验室);Tiansuan Lab, Ant Group Co., Ltd.(蚂蚁集团天算实验室);SJTU Paris Elite Institute of Technology(上海交通大学巴黎精英理工学院)
本文提出Gumbel Reranking端到端框架,将重排序建模为基于Gumbel Trick的随机Top-k注意力掩码学习,以缓解蒸馏方法的训练推理偏差。
2025-06-08 cs.CL cs.IR
jina-reranker-v3: Last but Not Late Interaction for Listwise Document Reranking
Jina AI GmbH(Jina AI公司);University of Pittsburgh(匹兹堡大学)
本研究提出0.6B参数的多语言列表式重排序模型jina-reranker-v3,通过“最后但不延迟”交互机制实现查询与候选文档的前置丰富交互,在BEIR基准上取得61.94的nDCG@10的SOTA性能,模型规模远小于同性能模型。
2025-10-06 cs.AI cs.CL cs.IR
ProRank: Prompt Warmup via Reinforcement Learning for Small Language Models Reranking
Mixedbread AI;The Hong Kong Polytechnic University(香港理工大学)
本文提出ProRank方法,通过强化学习提升小语言模型对任务提示的理解,结合细粒度分数学习增强表示能力,实验证明其在文档重排序任务中优于现有模型,尤其在BEIR基准上表现突出。
2026-04-15 cs.CL cs.IR
CODER: An efficient framework for improving retrieval through COntextual Document Embedding Reranking
Brown University(布朗大学);Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);Dataminr
本文提出CODER高效检索框架,通过联合评分大量负样本、使用检索负样本和列表式损失等排序上下文因素优化训练,在MS MARCO和TripClick上显著提升检索性能并创下新纪录。
2022-11-03 cs.AI cs.IR
FinCARDS: Card-Based Analyst Reranking for Financial Document Question Answering
ShanghaiTech University(上海科技大学);The University of Tokyo(东京大学);MBZUAI
FinCARDS通过结构化重排序框架,将财务证据选择转化为在财务意识模式下的约束满足问题,提升长文档问答的稳定性与可追溯性。
2026-04-30 cs.AI cs.CL cs.IR
GRADA: Graph-based Reranking against Adversarial Documents Attack
University of Melbourne(墨尔本大学);University of Edinburgh(爱丁堡大学);University College London(伦敦大学学院);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Macquarie University(麦觉里大学)
本文提出GRADA框架,利用图结构重排序来区分对抗性文档与良性文档,在五个大语言模型和三个数据集上验证,在Natural Questions上实现攻击成功率降低80%且准确性损失极小。
2025-09-18 cs.AI cs.IR
Knowledge-Aware Diverse Reranking for Cross-Source Question Answering
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
本文提出Team Marikarp在SIGIR 2025 LiveRAG竞赛中夺冠的方案,通过知识感知多样性重排序RAG管道,从FineWeb的1500万文档子集中高效检索问题相关支持文档。
2025-06-25 cs.CL cs.IR
DeAR: Dual-Stage Document Reranking with Reasoning Agents via LLM Distillation
University of Innsbruck(因斯布鲁克大学)
针对单一模型难以平衡细粒度相关性评分与整体跨文档分析的问题,提出双阶段文档重排序框架DeAR,通过蒸馏和推理智能体提升准确性与可解释性,在多个数据集上优于开源基线和GPT-4。
2025-08-23 cs.CL cs.IR
Visconde: Multi-document QA with GPT-3 and Neural Reranking
NeuralMind;Universidade Federal de Pernambuco(伯南布哥联邦大学)
本文提出了一个问答系统,可以回答的问题,其支持的证据是分散在多个(可能很长)的文件。该系统名为Visconde,使用三步管道来执行任务:分解,检索和聚合。第一步使用Few-Shot大语言模型(LLM)将问题分解为更简单的问题。然后,一个国家的最先进的搜索引擎被用来检索候选段落从一个大的集合为每个分解的问题。在最后一步中,我们在Few-Shot设置中使用LLM将段落的内容聚合到最终答案中。该系统在三个数据集上进行评估:IIRC,Qasper和StrategyQA。结果表明,目前的检索器是主要的瓶颈,读者已经在人类的水平,只要提供相关的段落。当模型在回答问题之前被诱导给出解释时,该系统也被证明更有效。代码可在\url{https://github.com/neuralmind-ai/visconde}上获得。
2022-12-19 cs.CL cs.IR
Think Thrice Before Reranking: Multi-perspective Evidence and Reasoning Integration for Text Reranking
Honor Device Co., Ltd(荣耀终端有限公司)
针对现有LLM重排序依赖单一推理轨迹易出错的问题,提出MERIT-Rank框架,通过多轨迹推理空间与联合重排序器整合多视角证据,并采用渐进式训练优化,在推理密集型及传统基准上取得领先性能。
2026-09-18 cs.CL cs.IR
Beyond Reproducibility: Advancing Zero-shot LLM Reranking Efficiency with Setwise Insertion
University of Amsterdam(阿姆斯特丹大学)
本研究复现并扩展了Zhuang等人的Setwise提示零样本排序方法,提出Setwise插入法,利用初始排序先验减少冗余比较,在多种LLM上实现查询时间降31%、推理次数降23%且效果微升,提升零样本重排序效率。
2025-04-09 cs.AI cs.IR
E2Rank: Unifying Text Embedding and Listwise Reranking for Effective and Efficient Search
Renmin University of China(中国人民大学);Alibaba Group(阿里巴巴集团)
E2Rank是统一文本嵌入与列表式重排序的框架,通过将列表式提示视为伪相关反馈查询,在单一模型内实现高效检索与重排序,在BEIR等基准上性能优异且延迟更低。
2026-08-27 cs.AI cs.CL cs.IR
LURE-RAG: Lightweight Utility-driven Reranking for Efficient RAG
University of Glasgow(格拉斯哥大学)
LURE-RAG通过基于LLM效用的列表排序损失优化检索文档顺序,实现高效RAG框架,在性能和效率上均优于现有方法。
2026-01-27 cs.IR
Very Efficient Listwise Multimodal Reranking for Long Documents
Magellan Technology Research Institute (MTRI)(马杰拉技术研究院(MTRI))
本文提出ZipRerank,通过轻量级查询-图像早期交互机制和单次前向传递消除自回归解码,实现高效多模态重排序,实验表明其在MMDocIR基准上性能优异且显著降低LLM推理延迟。
2026-05-12 cs.AI cs.CV cs.IR
How Calibration Content Shapes Attention-Based Reranking
Google(谷歌);Google DeepMind(谷歌DeepMind);UC San Diego(加州大学圣迭戈分校)
本研究揭示提示内容可破坏基于注意力重排序中的空查询校准,提出插值空校准方法,在指令密集型任务上恢复性能并超越生成式重排序器。
2026-09-17 cs.CL cs.IR
Q-PEFT: Query-dependent Parameter Efficient Fine-tuning for Text Reranking with Large Language Models
Santa Clara University(圣克拉拉大学);Meta AI;Walmart Global Tech(沃尔玛全球科技)
针对现有PEFT用于文本重排序时提示固定、过拟合、适配性差的问题,提出查询依赖的Q-PEFT方法,通过查询提取文档关键token并引入多头注意力增强,在四个公开数据集上验证了重排序性能提升效果。
2024-04-12 cs.AI cs.CL cs.IR
Few-shot Reranking for Multi-hop QA via Language Model Prompting
University of Michigan(密歇根大学);LG AI Research(LG人工智能研究院);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
为解决多跳问答检索器训练依赖大量标注数据的问题,提出基于大语言模型提示的少样本重排序方法PromptRank,仅用128个样本即在HotpotQA上取得强劲检索性能。
2023-07-02 cs.CL cs.IR
QBD-RankedDataGen: Generating Custom Ranked Datasets for Improving Query-By-Document Search Using LLM-Reranking with Reduced Human Effort
Sriram Gopalakrishnan(独立研究者);Sunandita Patra(独立研究者)
本文提出 QBD-RankedDataGen 流程,利用 LLM 结合领域专家输入生成自定义 QBD 排序数据集,以低成本微调 BM25 等检索模型,显著减少人工标注工作量并提升按文档查询搜索性能。
2025-05-07 cs.AI cs.IR
Hybrid privacy-aware semantic search: SVD-truncated document geometry and CKKS-encrypted query reranking under a restricted threat model
Moscow Institute of Physics and Technology(莫斯科物理技术学院)
提出一种混合隐私保护方案,利用SVD截断和秘密旋转保护文档集合,CKKS同态加密保护查询,在百万文档规模下实现亚秒级延迟并保持排序质量,证明对受限攻击者的重构误差下界。
2026-07-15 cs.AI cs.CR cs.IR
GroupRank: A Groupwise Paradigm for Effective and Efficient Passage Reranking with LLMs
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);Ant Group(蚂蚁集团)
GroupRank提出一种组内方法平衡灵活性和上下文感知,通过合成数据融合局部点状信号与全局列表排名,提升重排序效果和效率,实验显示在BRIGHT上达到65.2 NDCG@10,且推理速度提升6.4倍。
2026-04-30 cs.AI cs.IR cs.LG
RRRA: Resampling and Reranking through a Retriever Adapter
Bongsu Kim
本文提出可学习适配器模块RRRA,动态估计难负例为假负例的概率,并用于训练重采样与推理重排序,在标准基准上一致超越强双编码器基线。
2025-08-07 cs.AI cs.IR
Rethinking Reasoning in Document Ranking: Why Chain-of-Thought Falls Short
Shanghai Jiao Tong University(上海交通大学);Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative(宁波空间智能与数字孪生重点实验室);Institute of Digital Twin, Eastern Institute of Technology, Ningbo(宁波东方理工大学数字孪生研究院)
本研究系统比较了有无思维链的重排序器,发现推理增强虽成本高但性能更差,直接微调更稳定有效,并指出了校准感知评分与简洁推理策略等改进方向。
2025-10-10 cs.IR
Multivector Reranking in the Era of Strong First-Stage Retrievers
ISTI-CNR(ISTC-国家研究委员会);University of Pisa(比萨大学)
本文提出了一种两阶段检索方法,通过替换token级收集阶段为单向量文档检索器,显著提升了检索效率,同时保持了高质量的检索效果。
2026-01-16 cs.IR
List-aware Reranking-Truncation Joint Model for Search and Retrieval-augmented Generation
Institute of Computing Technology, Chinese Academy of Sciences(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)
针对检索结果重排序与截断分离导致的上下文共享不足和错误累积问题,提出联合模型GenRT,基于编码器-解码器生成范式同时执行两项任务,并在公开基准上取得SOTA性能。
2024-02-05 cs.AI cs.CL cs.IR
Enhancing Retrieval-Augmented Generation with Two-Stage Retrieval: FlashRank Reranking and Query Expansion
本研究提出双阶段检索框架,结合查询扩展和FlashRank重排序,提升检索增强生成的准确性和效率。
2025-10-17 cs.IR
Reading the Neighborhood: Text-Attentive Graph Reranking for Automated Subject Indexing
ZBW – Leibniz Information Centre for Economics(ZBW - 莱布尼茨经济信息中心);Kiel University(基尔大学)
针对自动主题标引任务,提出文本感知异构图重排序模型TAGHN,利用词库邻域语义关系提升标引性能,在STW数据集上优于对比模型。
2026-10-14 cs.DL cs.IR
InfoGain-RAG: Boosting Retrieval-Augmented Generation via Document Information Gain-based Reranking and Filtering
Kuaishou Technology, Beijing, China(快手科技,北京,中国);Peking University, Beijing, China(北京大学,北京,中国)
本文提出文档信息增益(DIG)指标量化检索文档对答案生成的贡献,并构建InfoGain-RAG框架训练专门重排器以过滤无关文档,在多个基准上显著优于现有RAG方法。
2025-09-16 cs.AI cs.CL cs.IR
RenderRank: Learning to Rerank Text with Compressed Visual Tokens
Korea University(高丽大学);Sookmyung Women’s University(淑明女子大学)
该研究提出重排序模型RenderRank,通过将文档渲染为图像并编码为压缩视觉令牌实现相关性打分,在减少输入令牌的同时,在BEIR及长文档数据集上取得优于多数文本基线的性能与更高吞吐量,为重排序提供了新的表示方案。
2026-09-28 cs.IR
Comparative Analysis of Lion and AdamW Optimizers for Cross-Encoder Reranking with MiniLM, GTE, and ModernBERT
本研究比较Lion与AdamW优化器在交叉编码器重排序微调中的效果,发现Lion在MS MARCO和TREC DL 2019上提升性能并提高GPU利用率。
2025-06-23 cs.IR
HeadRank: Decoding-Free Passage Reranking via Preference-Aligned Attention Heads
Weixin Group, Tencent, China(腾讯微信集团,中国);South China University of Technology, Guangzhou, China(华南理工大学,广州,中国)
本文提出HeadRank框架,通过熵正则化的头部选择、硬相邻级偏好对和分布正则化,在连续注意力域中提升偏好优化,从而在无需解码的情况下实现高效的段落重排序,其在多个基准测试中均取得最佳的平均NDCG@10成绩。
2026-05-19 cs.AI cs.IR
A Thorough Comparison of Cross-Encoders and LLMs for Reranking SPLADE
本研究系统比较了交叉编码器与LLM(如GPT-4)在SPLADE检索重排序中的表现,发现传统交叉编码器在域外场景仍具竞争力,为平衡搜索系统的效果与效率提供了新视角。
2024-03-15 cs.IR
When More Reformulations Hurt: Avoiding Drift using Ranker Feedback
Stockholm University(斯德哥尔摩大学);L3S Research Center(L3S研究中心);Delft University of Technology(代尔夫特理工大学)
本文提出ReformIR框架,通过预算感知的检索方法,在有限计算下优化改写查询的召回率并抑制漂移,实验表明其在MSMARCO和TREC DL基准上优于现有方法。
2026-05-01 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
InsertRank: LLMs can reason over BM25 scores to Improve Listwise Reranking
Emory University(埃默里大学)
针对复杂推理类查询的文档重排序优化需求,提出InsertRank重排序器,结合BM25词汇信号与大语言模型推理能力,在多基准多模型上实现检索效果提升,超越现有方法。
2025-06-17 cs.AI cs.CL cs.IR