Argus-Retriever: Vision-LLM Late-Interaction Retrieval with Region-Aware Query-Conditioned MoE for Visual Document Retrieval
University of Innsbruck(因斯布鲁克大学);Chungbuk National University(忠北国立大学)
提出Argus系列查询条件后期交互检索器,通过区域感知混合专家模块使文档表示依赖查询,在ViDoRe基准上以更低维度和更少训练数据取得领先性能。
2026-06-03 cs.IR
KG-Retriever: Efficient Knowledge Indexing for Retrieval-Augmented Large Language Models
Beijing University of Posts and Telecommunications(北京邮电大学);University of Science and Technology Beijing(北京科技大学);Xiaomi Corporation(小米公司)
本文提出KG-Retriever框架,通过知识图谱层与协作文档层构成的分层索引图增强文档连通性,缓解多跳问答中的信息碎片化问题,并在五个QA数据集上验证了其检索效果与效率。
2025-05-05 cs.AI cs.IR
R$^3$AG: Retriever Routing for Retrieval-Augmented Generation
Renmin University of China(中国人民大学);South China University of Technology(华南理工大学)
R$^3$AG通过动态对齐查询与检索器能力,解决检索增强生成中检索器选择单一的问题,提升生成准确性。
2026-04-22 cs.IR
Masking or Mitigating? Deconstructing the Impact of Query Rewriting on Retriever Biases in RAG
Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校赛贝尔计算与数据科学学院);Adobe Research(Adobe研究院);Inception Labs;Indian Institute of Science(印度科学研究所)
本文研究查询重写技术对RAG系统中检索偏见的影响,发现简单LLM重写能显著降低偏见,但对抗条件下效果受限。分析揭示两种机制:简单重写通过增加分数方差降低偏见,伪文档生成通过真实去相关性降低偏见。
2026-04-20 cs.IR
How retriever redundancy and diversity impact RAG effectiveness
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)
本研究探究RAG中检索文档的冗余性与多样性对答案正确性的影响,发现重复冗余与LLM转述无显著增益,而多样文档可将正确性提升17%-47%,并揭示其提升源于体裁多样性,为RAG检索方法优化提供方向。
2026-08-17 cs.IR
Ultron: An Ultimate Retriever on Corpus with a Model-based Indexer
文献检索在索引检索框架下已经被广泛研究了几十年,它经受住了时间的考验。不幸的是,这种流水线框架限制了最终检索质量的优化,因为索引和检索是分离的阶段,不能以端到端的方式联合优化。为了统一这两个阶段,我们探讨了一个基于模型的索引文件检索。具体来说,我们提出了Ultron,它将所有文档的知识编码到模型中,旨在端到端地直接检索相关文档。对于基于模型的索引器来说,如何表示文档和如何训练模型是需要探索的两个主要问题。现有的解决方案遭受语义缺陷docids和有限的监督数据。为了解决这两个问题,首先,我们设计了两种类型的docids,更丰富的语义和更容易的模型推理。此外,我们提出了一个三阶段的训练工作流程,以捕获更多的知识包含在语料库和查询和docids之间的关联。在两个公共数据集上的实验证明了Ultron在文档检索方面优于高级基线。
2022-08-19 cs.IR
AttentionRetriever: Attention Layers are Secretly Long Document Retrievers
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
AttentionRetriever通过结合注意力机制和实体检索,实现高效长文档检索,优于现有方法并保持高效性能。
2026-02-12 cs.AI cs.IR
End-to-End Training of Multi-Document Reader and Retriever for Open-Domain Question Answering
Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);School of Computer Science, McGill University(麦吉尔大学计算机科学学院);DeepMind
我们提出了一个端到端的可区分的训练方法检索增强的开放域问答系统,结合信息从多个检索到的文档生成答案时。我们模型检索决策的相关文件集的潜在变量。由于边缘化检索到的文件集是计算困难的,我们近似使用期望最大化算法。我们迭代地估计潜在变量(给定问题的相关文档集)的值,然后使用此估计值来更新检索器和读者参数。我们假设,这种端到端的训练可以让训练信号流到读者,然后到检索器比阶段式训练更好。这导致检索器能够为问题选择更相关的文档,并且读者在更准确的文档上进行训练以生成答案。在三个基准数据集上的实验表明,我们提出的方法比所有现有的可比大小的方法都要高出2-3%的绝对精确匹配点,取得了新的最先进的结果。我们的研究结果也证明了学习检索的可行性,以提高答案生成没有明确的监督检索决策。
2021-12-04 cs.AI cs.CL cs.IR
Dense Hierarchical Retrieval for Open-Domain Question Answering
密集型神经文本检索在开放域问答(QA)中取得了令人鼓舞的成果,其中问题和段落的潜在表示被利用来在检索过程中进行最大内积搜索。然而,目前的密集检索器需要分裂成短的段落,通常包含本地,部分,有时偏见的背景下,并高度依赖于分裂过程的文件。因此,它可能会产生不准确和误导的隐藏表示,从而恶化最终的检索结果。在这项工作中,我们提出了密集层次检索(DHR),层次结构框架,可以生成准确的密集表示的通道,利用宏观语义的文件和微观语义特定于每个通道。具体地说,文档级检索器首先识别相关文档,然后由文档级检索器检索其中的相关段落。检索到的段落的排名将通过检查文档级别的相关性来进一步校准。此外,分层标题结构和两个负抽样策略(即,In-Doc和In-Sec阴性)。我们将DHR应用于大规模开放域QA数据集。DHR显著优于原始的密集通道检索器,并帮助端到端QA系统在多个开放域QA基准上优于强基线。
2021-10-28 cs.IR
A Static Pruning Study on Sparse Neural Retrievers
本文研究稀疏神经检索器查询成本高的问题,系统评估文档中心、词项中心和不可知三种静态剪枝策略,证明其可在几乎不损失检索效果的情况下获得 2 至 4 倍加速,并保持神经重排序鲁棒性。
2023-04-25 cs.IR
Chaos in the Text: Revealing the Modality Preference in Mixed-Modality Retrievers
University of the Chinese Academy of Sciences(中国科学院大学);Northeastern University(东北大学);Tsinghua University(清华大学);Nanjing University(南京大学)
本文针对混合模态检索器的模态偏好问题,提出Trident方法缓解偏差,在多基准上提升了CLIP和VLM架构的混合模态检索性能。
2026-10-09 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
$\texttt{MixGR}$: Enhancing Retriever Generalization for Scientific Domain through Complementary Granularity
Technical University of Darmstadt(达姆施塔特工业大学);Carnegie Mellon University(卡内基梅隆大学);University of Washington(华盛顿大学);University of Pennsylvania(宾夕法尼亚大学);Tencent AI Lab(腾讯AI实验室)
针对科学领域密集检索器存在的领域适配差、难处理复杂查询-文档匹配的问题,本文提出零样本方法MixGR,融合多粒度匹配指标生成统一相似度分数,显著提升多类检索器性能及下游科学问答效果。
2024-11-01 cs.CL cs.IR
When Should Dense Retrievers Be Updated in Evolving Corpora? Detecting Out-of-Distribution Corpora Using GradNormIR
Seoul National University(首尔国立大学);POSTECH;Samsung SDS(三星SDS)
本文提出新任务,即在索引前检测语料库相对于稠密检索器是否为分布外,并设计无监督方法 GradNormIR 利用梯度范数进行检测,在 BEIR 上验证其能实现及时更新并提升检索稳健性与效率。
2025-06-02 cs.CL cs.IR
IMRNNs: An Efficient Method for Interpretable Dense Retrieval via Embedding Modulation
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校)
IMRNNs通过动态嵌入调节提升密集检索的可解释性和检索效果
2026-01-27 cs.IR
Collapse of Dense Retrievers: Short, Early, and Literal Biases Outranking Factual Evidence
University of California, Los Angeles(加州大学洛杉矶分校);CIS, LMU Munich(慕尼黑路德维希-马克西米利安大学计算机学院);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文通过受控实验揭示稠密检索器存在短文档、靠前位置、重复实体和字面匹配等启发式偏差,多种偏差叠加时性能灾难性下降,并证明这些偏差会误导 RAG 中的大语言模型,使性能比不提供文档时下降 34%。
2025-06-02 cs.CL 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
Tevatron 2.0: Unified Document Retrieval Toolkit across Scale, Language, and Modality
本文介绍升级版 Tevatron 2.0 工具包,支持跨规模、跨语言和多模态的统一神经检索训练与评估,并发布首个统一文本、图像、视频和音频检索的 OmniEmbed 模型作为研究基线。
2025-05-05 cs.IR
Is Position Bias in Dense Retrievers Built In-or Learned from Data?
Sionic AI(Sonic AI)
研究密集检索器中位置偏差的来源,通过构造位置偏斜的训练集微调模型,发现训练数据中证据的位置分布是影响检索级偏差方向的主要可控因素,并验证了位置平衡训练可显著降低位置敏感性。
2026-09-04 cs.IR
Beyond Relevance: Evaluate and Improve Retrievers on Perspective Awareness
Carnegie Mellon University(卡内基梅隆大学);University of Washington(华盛顿大学);University of Pennsylvania(宾夕法尼亚大学);Tencent AI Lab(腾讯AI实验室)
本文构建多视角检索基准并发现现有检索器视角感知有限,进而提出基于表示空间几何特征的零样本投影方法,有效提升检索器的视角感知能力及下游任务性能。
2024-05-04 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
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
Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers
IBM(国际商业机器公司)
本文提出Blended RAG方法,通过融合稠密向量索引、稀疏编码器索引与混合查询策略提升检索准确性,在NQ、TREC-COVID及SQUAD等数据集上取得优于微调的效果。
2024-08-04 cs.AI cs.CL cs.IR
OBLIQ-IR: Training a Dense Retriever for Oblique Queries
Chungbuk National University(忠北国立大学);University of Innsbruck(因斯布鲁克大学)
针对斜向查询中潜在属性难以表面匹配的问题,提出OBLIQ-IR稠密检索器,通过合成查询与kNN图蒸馏训练,显著提升各任务NDCG@10。
2026-09-25 cs.IR
NanoVDR: Distilling a 2B Vision-Language Retriever into a 70M Text-Only Encoder for Visual Document Retrieval
Aalto University(阿alto大学)
利用查询-文档不对称性,通过蒸馏将20亿参数的视觉语言模型教师蒸馏为7000万参数的纯文本学生编码器,采用点态余弦对齐目标,实现视觉文档检索的高效推理。
2026-09-01 cs.CV cs.IR cs.LG
SEINE: SEgment-based Indexing for NEural information retrieval
提出基于片段的神经索引方法SEINE,通过片段级倒排索引存储查询-文档交互值,灵活支持多种基于交互的神经检索方法,在MQ2007和MQ2008数据集上实现最高28倍加速且不损失检索有效性。
2023-11-27 cs.IR
Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking
Northeastern University(东北大学);Tsinghua University(清华大学);ModelBest Inc.(魔搭智能)
针对单嵌入难以表达文档多面语义的问题,提出Debater,通过审慎思考链迭代精炼文档嵌入,并用自蒸馏融合高信息量步骤,在多个检索基准上显著提升准确率与鲁棒性。
2025-10-04 cs.IR
Beyond Single Embeddings: Capturing Diverse Targets with Multi-Query Retrieval
Department of Computer Science, New York University(纽约大学计算机科学系);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对单一查询向量难以捕捉多模态相关文档分布的局限,本文提出自回归多嵌入检索器(AMER),通过自回归生成多个查询向量进行检索,在合成和真实数据集上显著优于单一嵌入基线。
2025-11-04 cs.CL cs.IR
When do Generative Query and Document Expansions Fail? A Comprehensive Study Across Methods, Retrievers, and Datasets
Johns Hopkins University(约翰斯·霍普金斯大学);Allen Institute for AI(艾伦人工智能研究所);Yale University(耶鲁大学)
本文首次全面分析基于大语言模型的查询与文档扩展,发现扩展对弱检索器有益但对强检索器有害,并提出按模型强弱和数据集分布差异选择性使用扩展的实用建议。
2024-02-26 cs.AI cs.CL cs.IR
PairSem: LLM-Guided Pairwise Semantic Matching for Scientific Document Retrieval
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea University(高丽大学);National Institutes of Health(美国国立卫生研究院);Pohang University of Science and Technology(浦项科技大学)
PairSem通过实体-属性对捕捉科学概念的多面性,提升科学文档检索的精度和上下文感知能力。
2026-01-25 cs.IR
Open-World Evaluation for Retrieving Diverse Perspectives
Department of Computer Science(计算机科学系);New York University(纽约大学)
本研究构建BERDS基准并设计基于语言模型的评估器,在开放世界语料上评估检索器覆盖多元视角的能力,发现现有方法仅覆盖40%示例,并探索了查询扩展与重排序的改进策略。
2025-04-22 cs.CL cs.IR
Early Stage Sparse Retrieval with Entity Linking
尽管他们的低资源设置的优势,传统的稀疏检索依赖于精确的匹配方法之间的高维词袋(BoW)表示的查询和收集。因此,检索性能受到语义差异和词汇空缺的限制。另一方面,基于transformer的密集检索器通过利用语料库的低维上下文化表示来显著改进信息检索任务。虽然密集检索器以其相对有效性而闻名,但与稀疏检索器相比,它们的效率较低且缺乏泛化问题。对于轻量级检索任务,高计算资源和时间消耗是鼓励放弃密集模型的主要障碍,尽管有潜在的收益。在这项工作中,我们建议通过扩展查询和具有两种格式的实体名称的链接实体的文档来提高稀疏检索器的性能:1)显式和2)散列。我们采用了一个zero-shot的端到端密集实体链接系统的实体识别和消歧,以增加语料库。通过利用先进的实体链接方法,我们相信稀疏和密集检索器之间的有效性差距可以缩小。我们在MS MARCO通道数据集上进行实验。由于我们关注的是大型信息检索系统的级联排名架构中的早期检索,我们使用recall@1000来评估我们的结果。我们的方法也能够检索文件的查询子集判断是特别困难的,在以前的工作。我们进一步证明了非扩展和扩展运行与显式和散列实体检索互补的结果。因此,我们采用了运行融合的方法,以最大限度地提高实体链接的好处。
2022-08-10 cs.IR
Attention Grounded Enhancement for Visual Document Retrieval
Alibaba Group(阿里巴巴集团);University of Chinese Academy of Sciences(中国科学院大学)
本文提出AGREE框架,通过多模态大语言模型的注意力机制引导检索器识别相关文档区域,提升细粒度相关性建模,实验表明在ViDoRe V2基准上显著优于传统方法。
2026-05-09 cs.CL cs.CV cs.IR
Document Optimization for Black-Box Retrieval via Reinforcement Learning
Stanford University(斯坦福大学);ContextualAI
提出通过强化学习(GRPO)优化文档表示,使其与目标检索器的查询分布对齐,仅需黑盒访问检索排名,在代码和视觉文档检索任务中提升性能,使小模型超越大模型。
2026-10-08 cs.CL 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
DistilVDR: A Compact End-to-End Visual Document Retriever via Dual-Student Distillation
Aalto University(阿尔托大学)
本研究提出DistilVDR,通过双学生蒸馏从80亿参数视觉-语言教师模型得到5.24亿参数的紧凑端到端VDR系统,在多个基准上性能接近教师模型且索引速度更快、体积更小。
2026-08-12 cs.CL cs.CV cs.IR
Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院)
本文揭示基于 PLM 的检索器因学习困惑度特征而产生来源偏差,并提出推理时去偏方法 CDC,通过分离困惑度偏差效应,在三个领域上验证了其有效性。
2025-03-11 cs.AI cs.CL cs.IR
OBLIQ-Bench: Exposing Overlooked Bottlenecks in Modern Retrievers with Latent and Implicit Queries
Massachusetts Institute of Technology(麻省理工学院)
针对现有检索基准饱和但实际搜索问题未解决的现象,提出一类“倾斜查询”并构建OBLIQ-Bench基准,揭示检索与验证之间的不对称性,即推理LLM能可靠识别潜在相关性但检索管道无法召回多数相关文档。
2026-05-28 cs.AI cs.IR
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
Tools are under-documented: Simple Document Expansion Boosts Tool Retrieval
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所)
针对工具文档不完整的问题,提出Tool-DE基准与框架,通过LLM驱动的文档扩展和专用模型Tool-Embed与Tool-Rank,显著提升工具检索性能,达到新最先进水平。
2025-10-26 cs.IR
Questions Are All You Need to Train a Dense Passage Retriever
McGill University(麦吉尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);Meta AI;DeepMind(深度思维);University of Washington(华盛顿大学)
提出无需标注数据的语料库级自编码方法ART,通过问题重建训练密集检索模型,在多个QA检索基准上取得最先进结果。
2023-04-03 cs.CL cs.IR
Fine-Grained Distillation for Long Document Retrieval
University of Technology Sydney(悉尼科技大学);Microsoft Corporation(微软公司)
长文档检索的目标是从大规模的集合中获取查询相关的文档,其中知识蒸馏已经成为事实上通过模仿异构但功能强大的交叉编码器来改进检索器。然而,与段落或句子相反,长文档的检索受到范围假设的影响,即长文档可能涵盖多个主题。这使它们的结构异质性最大化,并造成颗粒失配问题,导致较差的蒸馏效率。在这项工作中,我们提出了一个新的学习框架,细粒度蒸馏(FGD),长文档检索。在保持传统的稠密检索范式的同时,它首先产生跨不同细粒度的全局一致表示,然后仅在训练期间应用多粒度对齐蒸馏。在实验中,我们评估我们的框架上的两个长文档检索基准,这表明国家的最先进的性能。
2022-12-20 cs.CL cs.IR
Information Retrieval with Entity Linking
针对传统稀疏检索器受语义差异和词汇鸿沟限制的问题,提出用显式和哈希两种格式的链接实体扩展查询与文档,结合零样本稠密实体链接系统增强语料库,在MS MARCO数据集上有效提升稀疏检索性能并缩小与稠密检索器的差距。
2024-04-07 cs.IR
Can Generative Retrievers Learn Semantic IDs Without Forgetting How to Speak?
University of Glasgow(格拉斯哥大学);Brave
针对生成式检索仅检索微调会扭曲模型语言分布的问题,提出双目标框架SpeakGR及自适应版本,在保留有效检索性能的同时大幅降低语言漂移,适配交互式系统需求。
2026-09-28 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
A Unified Generative Retriever for Knowledge-Intensive Language Tasks via Prompt Learning
针对知识密集型语言任务专用检索器泛化差、部署成本高的问题,提出统一生成式检索器UGR,通过基于n-gram的标识符统一检索形式、提示学习适配不同任务,在KILT基准上验证了其有效性与泛化能力。
2023-04-28 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
RVR: Retrieve-Verify-Retrieve for Comprehensive Question Answering
Courant Institute School of Mathematics, Computing, and Data Science, New York University(纽约大学Courant研究所数学、计算与数据科学学院);Courant Institute School of Mathematics, Computing(纽约大学Courant研究所数学、计算与数据科学学院);Data Science, New York University(纽约大学数据科学学院)
RVR提出了一种多轮检索框架,通过验证器和检索器优化,提升多答案检索的召回率和覆盖范围。
2026-02-20 cs.CL cs.IR
Constrained Dominant Sets for Multimodal Document Question Answering
Ca’ Foscari University of Venice(威尼斯卡福斯卡里大学)
提出基于查询增强亲和图的约束主导集检索方法,通过谱边界自动平衡相关性与冗余性,利用复制动态实现全局均衡,无需训练,在多模态文档问答中取得新最优结果。
2026-06-08 cs.IR
ScalingNote: Scaling up Retrievers with Large Language Models for Real-World Dense Retrieval
ScalingNote提出两阶段方法,先用同一LLM初始化双塔释放稠密检索潜力,再仅蒸馏查询塔以控制在线延迟,在工业场景中验证了LLM稠密检索的扩展定律并提升检索相关性。
2024-11-24 cs.IR
Golden-Retriever: High-Fidelity Agentic Retrieval Augmented Generation for Industrial Knowledge Base
University of California, Merced(加州大学默塞德分校);Western Digital Corporation(西部数据公司);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
Golden-Retriever 通过基于反思的术语识别与问题增强步骤,在文档检索前澄清领域术语和上下文,从而显著提升工业知识库中 RAG 框架的检索准确性,并在领域问答数据集上验证了其优越性能。
2024-07-20 cs.AI cs.CL cs.DL
More Than Efficiency: Embedding Compression Improves Domain Adaptation in Dense Retrieval
Johns Hopkins University(约翰斯·霍普金斯大学)
针对密集检索中训练与目标领域分布不匹配的问题,提出对查询嵌入进行PCA压缩以保留领域相关特征并丢弃非判别成分,在9个检索器和14个MTEB数据集上验证了该方法能有效提升检索性能。
2026-07-15 cs.IR
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
RAGPart & RAGMask: Retrieval-Stage Defenses Against Corpus Poisoning in Retrieval-Augmented Generation
University of Maryland College Park(马里兰大学帕克分校);Peraton Labs(佩拉顿实验室);Capital One(第一资本)
本文提出RAGPart和RAGMask两种检索阶段防御方法,用于对抗RAG中语料污染攻击,通过文档分区和标记遮蔽技术降低攻击成功率,提升RAG系统的鲁棒性。
2025-12-30 cs.IR