mKG-RAG: Leveraging Multimodal Knowledge Graphs in Retrieval-Augmented Generation for Knowledge-intensive VQA
The Hong Kong Polytechnic University(香港理工大学)
本文提出mKG-RAG框架,通过整合多模态知识图谱提升检索增强生成在知识密集型视觉问答中的性能,采用双阶段检索策略和图提取方法构建高质量知识图谱,实验表明优于现有方法。
2026-04-27 cs.AI cs.CV
On the Vulnerability of Applying Retrieval-Augmented Generation within Knowledge-Intensive Application Domains
Department of ECE University of Minnesota(电子工程系明尼苏达大学);Data Science Institute University of Chicago(数据科学研究所芝加哥大学);Carlson School of Management University of Minnesota(卡尔森管理学院明尼苏达大学);Department of Surgery University of Minnesota(外科系明尼苏达大学);Cisco Research(思科研究);School of Statistics University of Minnesota(统计学学院明尼苏达大学)
研究了RAG在知识密集型领域的对抗鲁棒性,发现检索系统易受通用投毒攻击,并提出一种基于检测的防御方法,在几乎所有情况下均实现出色的检测率。
2025-05-30 cs.AI cs.CL cs.CR
JudgeRank: Leveraging Large Language Models for Reasoning-Intensive Reranking
Salesforce AI Research(Salesforce AI研究院)
针对大语言模型在推理密集型检索重排序中缺乏细致分析的问题,提出模拟人类认知的三阶段智能体重排序器JudgeRank,在BRIGHT、BEIR基准上表现优异且具备良好的零样本泛化与多模型集成提升能力。
2024-10-31 cs.AI cs.CL
CRAG-MM-Diagnostics: Enabling Stage-Wise Analysis of Knowledge-Intensive VQA
New York University(纽约大学);McGill University(麦吉尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);UNC Chapel Hill(北卡罗来纳大学教堂山分校);MIT(麻省理工学院)
研究知识密集型视觉问答流程,引入CRAG-MM-Diagnostics诊断基准,通过逐阶段数据注释分离子问题,评估VLM并进行细粒度分析,指出知识检索和推理是主要瓶颈,还提出改进流程提升准确率。
2026-07-24 cs.AI cs.CV
Enhancing Retrieval-Augmented Generation with Topic-Enriched Embeddings: A Hybrid Approach Integrating Traditional NLP Techniques
National University of Tierra del Fuego(泰德菲国立大学)
本文提出一种整合传统NLP技术的混合方法,通过主题增强嵌入提升检索增强生成系统的检索精度和语义聚类效果。
2025-12-31 cs.AI cs.IR
A Multi-Source Retrieval Question Answering Framework Based on RAG
School of Computer Science and Network Engineering, Guangzhou University(广州大学计算机科学与网络工程学院)
为解决现有 RAG 易受错误检索信息影响的问题,提出结合 GPT 检索与网络检索的多源框架 MSRAG,利用 GPT-3.5 替代传统检索器并进行问题语义划分,有效提升了问答系统的整体效率与准确性。
2024-05-29 cs.AI cs.IR
Ad Auctions for LLMs via Retrieval Augmented Generation
University of Maryland(马里兰大学);Google Research(谷歌研究院)
本研究针对大语言模型输出中的广告植入需求,提出基于RAG的分段拍卖机制,可最大化对数社会福利且满足激励相容,实验验证了其可行性并揭示了分配灵活度与指标间的权衡关系。
2025-06-12 cs.AI cs.CL cs.GT
CalVerT: Augmenting Agents with Calibrated Verifier Telemetry Improves Action and Learning in Knowledge-Intensive Tasks
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出CalVerT方法,通过向智能体状态添加校准的自信心分数和基础验证器分数,减少过度依赖参数知识或冗余检索,提升知识密集型问答的准确性和效率。
2026-06-23 cs.AI cs.CL
RaLLe: A Framework for Developing and Evaluating Retrieval-Augmented Large Language Models
Kioxia Corporation(铠侠公司)
RaLLe是一个开源框架,用于开发、评估和优化检索增强大型语言模型,通过改进提示和评估各推理过程,提升知识密集型任务的性能。
2023-10-16 cs.AI cs.CL
An Efficient Memory-Augmented Transformer for Knowledge-Intensive NLP Tasks
University College London(伦敦大学学院);Harbin Institute of Technology Shenzhen(哈尔滨工业大学(深圳));University of Edinburgh(爱丁堡大学)
对外部知识的访问对于许多自然语言处理任务(例如问答和对话)是必不可少的。现有的方法通常依赖于在其参数中存储知识的参数模型,或者使用可以访问外部知识源的检索增强模型。参数和检索增强模型在计算效率和预测准确性方面具有互补优势。为了结合这两种方法的优势,我们提出了高效内存增强的Transformer(EMAT)-它将外部知识编码到键值内存中,并利用快速最大内积搜索进行内存查询。我们还介绍了预训练任务,使EMAT编码信息的键值表示,并学习一个隐式的策略,将多个内存插槽到Transformer。在各种知识密集型任务(如问答和对话数据集)上的实验表明,使用我们的方法简单地增强参数模型(T5-base)会产生更准确的结果(例如,25.8- NQ上的44.3EM),同时保持高吞吐量(例如,1000查询/秒的NQ)。与检索增强模型相比,EMAT在WoW和ELI 5上运行速度更快,结果更准确。我们的代码和数据集可以在https://github上找到。com/uclnlp/EMAT。
2022-10-30 cs.AI cs.CL cs.LG
SVFSearch: A Multimodal Knowledge-Intensive Benchmark for Short-Video Frame Search in the Gaming Vertical Domain
Kuaishou Technology(快手科技)
本文提出SVFSearch,首个针对中文游戏领域短视频帧搜索的多模态知识密集型基准,通过5000个四选一测试示例和4198个辅助训练示例,评估了从直接问答到计划-行动-重新计划代理等多种方法在短视频帧搜索中的性能。
2026-05-20 cs.AI cs.CV cs.LG
Scaling Test-Time Inference with Policy-Optimized, Dynamic Retrieval-Augmented Generation via KV Caching and Decoding
Tata Research Development(塔塔研究与发展中心);Design Center, Bangalore(班加罗尔设计中心)
本研究提出整合PORAG、ATLAS、CRITIC及测试时扩展、优化解码的RAG综合框架,无需额外训练即可兼容Transformer类大模型,在知识密集型任务上减少幻觉、提升推理能力与效率可扩展性。
2025-05-20 cs.AI cs.CL cs.IR
Progressive Multimodal Search and Reasoning for Knowledge-Intensive Visual Question Answering
Interdisciplinary Program in Artificial Intelligence(人工智能交叉学科项目);Department of Intelligence and Information(智能与信息系);Samsung Advanced Institute of Technology(三星先进技术研究院)
本文提出PMSR框架,通过逐步构建结构化推理轨迹提升知识获取与综合能力,实验显示在六个基准测试中提升了检索召回率和端到端回答准确性。
2026-04-22 cs.AI cs.CV
Test-time Corpus Feedback: From Retrieval to RAG
L3S Research Center(L3S研究中心);TU Delft(代尔夫特理工大学);University of Glasgow(格拉斯哥大学)
针对RAG流水线将检索与推理分离导致复杂任务性能受限的问题,本综述结构化概述整合反馈的先进检索与排序机制,分类反馈信号作用,旨在连接IR与NLP视角,强调检索在RAG系统中的动态可学习性。
2025-08-24 cs.AI cs.IR cs.LG
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
Data-Efficient Autoregressive Document Retrieval for Fact Verification
KAIST AI(韩国科学技术院人工智能学院)
文档检索是许多知识密集型自然语言处理任务公式化的核心组件,例如事实验证和问答。文本知识的来源,如维基百科的文章,从模型中生成答案的条件。检索的最新进展使用序列到序列模型来递增地预测给定查询的适当维基百科页面的标题。然而,这种方法需要以人工注释的形式进行监督,以标记哪些维基百科页面包含适当的上下文。本文介绍了一种远程监督方法,不需要任何注释,训练自回归检索器,达到竞争力的R-精度和召回在zero-shot设置。此外,我们表明,与特定任务的监督微调,两个基于维基百科的事实验证任务的自回归检索性能可以接近,甚至超过完全监督使用不到$1/4$的注释数据指示可能的方向,数据高效的自回归检索。
2022-11-17 cs.AI cs.CL cs.IR
Probabilistic Tree-of-thought Reasoning for Answering Knowledge-intensive Complex Questions
Tsinghua University(清华大学);Huawei Technologies(华为技术有限公司)
本文提出概率性思维树推理方法ProbTree,通过构建查询树并结合闭卷与开卷问答的置信度选择,解决LLM在知识密集型复杂问答中的负面检索和局部错误传播问题,显著优于现有SOTA方法。
2023-11-23 cs.AI cs.CL
DuetRAG: Collaborative Retrieval-Augmented Generation
Zhejiang University(浙江大学)
针对复杂领域问题中RAG检索不相关导致生成质量低的问题,提出DuetRAG框架,通过同时整合领域微调和RAG模型提升检索质量,并在HotPot QA上达到专家水平。
2024-05-12 cs.AI cs.CL
KGI: An Integrated Framework for Knowledge Intensive Language Tasks
IBM Research AI(IBM研究院人工智能部门)
在本文中,我们提出了一个系统来展示最新的国家的最先进的检索增强生成模型的知识密集型语言任务,如插槽填充,开放域问答,对话和事实检查的培训能力。此外,给定一个用户查询,我们展示了如何将这些不同模型的输出相结合,以交叉检查彼此的输出。特别是,我们展示了如何在对话的准确性可以提高使用的问答模型。我们还发布了演示中使用的所有模型,作为本文的贡献。演示该系统的简短视频可在https://ibm.box.com/v/emnlp2022-demo上获得。
2022-09-22 cs.AI cs.CL cs.LG
Similarity is Not All You Need: Endowing Retrieval Augmented Generation with Multi Layered Thoughts
Ant Group(蚂蚁集团)
针对检索增强生成中过度依赖相似性导致性能下降的问题,提出MetRag框架,通过结合相似性与效用导向思想并利用LLM作为任务自适应摘要器提供紧凑性思想,显著提升了知识密集型任务的性能。
2024-05-30 cs.AI cs.CL cs.LG
DynamicRAG: Leveraging Outputs of Large Language Model as Feedback for Dynamic Reranking in Retrieval-Augmented Generation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对RAG系统重排器文档数量难确定、忽视LLM反馈信号的问题,提出DynamicRAG框架,将重排器建模为RL智能体,基于LLM输出质量奖励动态调整检索文档的顺序与数量,在七个数据集上同参数规模模型中达SOTA。
2025-05-16 cs.AI cs.CL
Post-training an LLM for RAG? Train on Self-Generated Demonstrations
University of Southern California(南加州大学);Meta, Inc.(元公司)
提出基于自生成示范训练RAG-LLM的方案,通过避免分布外数据训练并将检索整合进响应,在提升问答性能与实现弃权(不执行)的同时防止非RAG场景下的模型退化。
2025-03-01 cs.AI cs.CL cs.LG
Automatic Dataset Generation for Knowledge Intensive Question Answering Tasks
The Alan Turing Institute(艾伦·图灵研究所);King’s College London(伦敦国王学院);University of Southampton(南安普顿大学)
针对现有QA系统及RAG在复杂推理上的不足,提出通过LLM自动生成基于上下文的问答对来微调模型的方法,实验证明该方法可提升模型逻辑与事实准确性,Mistral-7b-v0.3表现优于Llama-3-8b。
2025-05-20 cs.AI cs.CL
QA-Dragon: Query-Aware Dynamic RAG System for Knowledge-Intensive Visual Question Answering
QA-Dragon通过引入领域路由器和搜索路由器,实现多模态、多轮和多跳推理,提升复杂视觉问答任务的推理性能,实验显示其在单源、多源和多轮任务中均优于基线模型。
2026-03-15 cs.AI cs.CL cs.CV
Abductive Inference in Retrieval-Augmented Language Models: Generating and Validating Missing Premises
Independent Researcher, Mountain View, CA94039, USA(独立研究者)
本文提出将溯因推理集成到检索增强语言模型中,通过检测证据不足、生成并验证缺失前提,在多个基准上提升了答案准确性与推理忠实度。
2025-11-06 cs.AI cs.CL
GripRank: Bridging the Gap between Retrieval and Generation via the Generative Knowledge Improved Passage Ranking
Beihang University(北京航空航天大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Tencent Cloud AI(腾讯云人工智能)
针对检索与生成目标不一致的问题,本文提出 GripRank,利用生成式段落估计器和课程知识蒸馏改进段落排序,并在 KILT 上提升排序与答案生成性能。
2023-08-15 cs.AI cs.CL
E2E-AFG: An End-to-End Model with Adaptive Filtering for Retrieval-Augmented Generation
Advanced Institute of Information Technology, Peking University(北京大学信息技术高等研究院)
本文提出端到端自适应过滤模型E2E-AFG,将答案存在性判断与文本生成统一到同一框架中,以降低检索不相关信息的影响,并在六个知识密集型数据集上验证了其优于基线模型的效果。
2025-05-08 cs.AI cs.CL
Adaptive Retrieval for Reasoning-Intensive Retrieval
本文提出REPAIR框架,通过适应性检索中的选择性检索修正推理计划,提升推理密集型检索和复杂问答任务的性能,实验结果优于现有基线5.6%。
2026-04-14 cs.IR
CRE-T1 Preview Technical Report: Beyond Contrastive Learning for Reasoning-Intensive Retrieval
CareerInternational Research Team(CareerInternational研究团队)
本文提出T1模型,通过动态推理替代静态对齐,提升推理密集检索性能,在BRIGHT基准中表现优异。
2026-03-18 cs.AI cs.IR
MRMR: A Realistic and Expert-Level Multidisciplinary Benchmark for Reasoning-Intensive Multimodal Retrieval
Nanyang Technological University(南洋理工大学);Yale University(耶鲁大学);NYU Shanghai(纽约大学上海分校);Shanghai Jiao Tong University(上海交通大学);University of the Chinese Academy of Sciences(中国科学院大学);Center for Data Science, New York University(纽约大学数据科学中心);VinUniversity(越南 Vin 大学)
MRMR是一个面向推理密集型多模态检索的现实且专家级多学科基准,通过多领域查询和混合模态数据推动检索模型的改进。
2026-02-14 cs.IR
TEMPO: A Realistic Multi-Domain Benchmark for Temporal Reasoning-Intensive Retrieval
University of Innsbruck(因斯布鲁克大学);University of British Columbia(不列颠哥伦比亚大学)
TEMPO是一个结合时间推理与多领域检索的基准,通过复杂查询和多步骤检索规划,评估检索系统在时间信息处理上的挑战和性能。
2026-01-14 cs.IR
EMAR: Efficient Multi-domain Adaptive Retrieval
University of Milano-Bicocca(米兰比可卡大学);ISTI-CNR(意大利国家研究委员会信息系统技术研究所);Politecnico di Torino(都灵理工大学);Georgetown University(乔治城大学)
DRAMA通过自适应模块分配实现高效领域检索,减少能耗与参数使用,提升神经检索的可持续性。
2026-11-02 cs.IR
Synthetic Data Powers Product Retrieval for Long-tail Knowledge-Intensive Queries in E-commerce Search
Taobao & Tmall Group of Alibaba(阿里巴巴淘宝和天猫集团)
本文提出一种高效的数据合成框架,用于处理电商搜索中长尾知识密集型查询,通过隐式提炼强大离线查询重写模型的能力,提升检索效果。
2026-04-27 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
BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval
The University of Hong Kong(香港大学);Princeton University(普林斯顿大学);Stanford University(斯坦福大学);University of Washington(华盛顿大学);Google Cloud AI Research(谷歌云人工智能研究)
BRIGHT是一个包含1,384个现实世界查询的推理密集型检索基准,现有最先进检索模型在此表现不佳,而显式推理可显著提升检索性能。
2025-03-26 cs.AI cs.CL cs.IR
Open-Ended and Knowledge-Intensive Video Question Answering
本文面向知识密集型开放式视频问答,系统比较多模态检索增强生成方法,揭示模态、查询构造与检索深度的关键影响,并在 KnowIT VQA 上取得 17.5% 准确率提升。
2025-02-18 cs.IR
MM-BRIGHT: A Multi-Task Multimodal Benchmark for Reasoning-Intensive Retrieval
University of Innsbruck(因斯布鲁克大学);High Institute for Computer & Information Systems(计算机与信息系统高等学院);Chungbuk National University(忠北国立大学)
MM-BRIGHT是首个用于推理密集型检索的多模态基准,通过29个技术领域中的2,803个现实世界查询,评估了多模态检索模型在文本到文本、多模态到文本等任务上的性能。
2026-09-24 cs.IR
Demonstrate-Search-Predict: Composing retrieval and language models for knowledge-intensive NLP
Stanford University(斯坦福大学)
检索增强的上下文学习已经成为一个强大的方法来解决知识密集型任务使用冻结语言模型(LM)和检索模型(RM)。现有的工作结合了这些简单的“检索,然后阅读”管道中的RM检索插入到LM提示通道。为了开始充分认识到冻结LM和RM的潜力,我们提出了演示搜索预测(DSP),一个框架,依赖于传递自然语言文本之间的LM和RM复杂的管道。DSP可以表达高级程序,这些程序可以引导流水线感知的演示,搜索相关段落,并生成接地预测,系统地将问题分解为LM和RM可以更可靠地处理的小转换。我们已经编写了新颖的DSP程序,用于在开放域、多跳和会话设置中回答问题,在早期评估中建立了最先进的上下文学习结果,并分别提供了相对于香草LM(GPT-3.5)、标准检索然后读取管道和同期自问管道的37- 120%、8- 39%和80-290%的相对增益。我们在https://github.com/stanfordnlp/dsp上发布DSP
2023-01-23 cs.CL cs.IR
ReasonEmbed: Enhanced Text Embeddings for Reasoning-Intensive Document Retrieval
University of Science and Technology of China(中国科学技术大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);Beijing University of Posts and Telecommunications(北京邮电大学);State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室);Hong Kong Polytechnic University(香港理工大学)
本文提出ReasonEmbed,通过ReMixer合成数据、Redapter自适应学习算法和多规模backbone实现,提升推理密集型检索性能,其中ReasonEmbed-Qwen3-8B在BRIGHT基准上取得38.1的nDCG@10高分。
2026-04-20 cs.CL cs.IR
Back to Basics: A Simple Recipe for Improving Out-of-Domain Retrieval in Dense Encoders
KAIST AI(韩国科学技术院人工智能学院);Allen Institute for AI(艾伦人工智能研究所);Yale University(耶鲁大学)
本工作提出在MSMARCO上使用LoRA等参数高效方法并采用批内负样本的简单训练配方,经BEIR基准验证,能有效提升稠密编码器的域外泛化性能,且与其他资源密集型策略互补。
2023-11-16 cs.AI cs.IR
Reproducing Adaptive Reranking for Reasoning-Intensive IR
L3S Research Center(L3S研究中心);Stockholm University(斯德哥尔摩大学);University of Glasgow(格拉斯哥大学);Delft University of Technology (TU Delft)(代尔夫特理工大学)
本文通过重现GAR在需要推理的检索基准上的表现,改进了重排序过程,提升了推理密集型检索的效果,同时保持了较低的计算开销。
2026-04-30 cs.IR
CorpusLM: Towards a Unified Language Model on Corpus for Knowledge-Intensive Tasks
Huawei(华为)
本文提出CorpusLM,一种通过统一贪婪解码整合生成式检索、闭卷生成和RAG的统一语言模型,利用外部语料库解决知识密集型任务,并在KILT基准上取得卓越性能。
2024-04-21 cs.CL cs.IR
HIVE: Query, Hypothesize, Verify An LLM Framework for Multimodal Reasoning-Intensive Retrieval
Chungbuk National University(忠北国立大学);University of Innsbruck(因斯布鲁克大学)
HIVE通过引入LLM进行显式视觉-文本推理,提升多模态检索效果,达到41.7的nDCG@10,优于现有文本和多模态模型。
2026-04-08 cs.IR
CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks
University of Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学)
知识密集型语言任务(KILT)通常需要大量信息才能提供正确答案。解决这个问题的一个流行的范例是将搜索系统与机器阅读器相结合,前者检索支持证据,后者检查它们以产生答案。最近,读者组件在大规模预训练生成模型的帮助下取得了重大进展。与此同时,搜索组件中的大多数现有解决方案依赖于传统的“索引-检索-然后-排名”管道,该管道存在较大的内存占用和端到端优化困难。受最近在构建基于模型的IR模型方面的努力的启发,我们提出用一种新的单步生成模型取代传统的多步搜索管道,该模型可以大大简化搜索过程并以端到端的方式进行优化。我们证明了一个强大的生成检索模型可以通过一组充分设计的预训练任务来学习,并通过进一步的微调来改进各种下游KILT任务。我们将预训练的生成式检索模型命名为CorpusBrain,因为所有关于语料库的信息都编码在其参数中,而不需要构建额外的索引。实证结果表明,CorpusBrain在KILT基准测试中的检索任务可以显著优于强基线,并建立新的最先进的下游性能。我们还表明,CorpusBrain在零和低资源设置下工作良好。
2022-08-16 cs.CL cs.IR
Know Before You Fetch: When Does Confidence-Based Retrieval-Budget Allocation Pay Off?
University of Maine at Presque Isle(缅因大学普雷斯基尔分校);Stanford University(斯坦福大学);Independent Researcher(独立研究者)
提出自适应RAG作为可校准检索预算分配,通过校准序列对数概率和前缀logit不确定性为正确性概率,实现分级上下文选择、选择性弃权和显式延迟/令牌权衡,显著提升校准质量并优化检索预算。
2026-11-19 cs.CL cs.IR
AdaMem: Adaptive Memory Token Allocation for Soft Compression in Retrieval-Augmented Generation
AdaMem提出相关性引导的软压缩框架,按查询相关性动态分配记忆令牌预算,在开放域QA基准上优于均匀分配基线,显著提升压缩效率与答案质量。
2026-09-22 cs.CL cs.IR cs.LG
Indexing by Latent Dirichlet Allocation and Ensemble Model
本文的贡献是双重的。首先,我们提出了索引的潜在狄利克雷分配(LDI),一个自动的文档索引方法。LDI中的概率分布利用了潜在狄利克雷分配(LDA)中的概率分布,LDA是一种生成主题模型,以前曾用于文档检索任务的应用程序中。然而,特设的应用程序,或他们的变种与平滑技术提示以前的研究在基于LDA的语言建模,导致在不令人满意的性能,因为文档表示不准确地反映概念空间。为了提高性能,我们引入了一个新的定义的文档概率向量的上下文中的LDA和提出了一种新的方案,自动文档索引的基础上LDA。其次,我们提出了一个包围模型(EnM)的文件检索。EnM通过分配不同的权重来组合基础索引模型,并尝试发现最佳权重以最大化平均精度(MAP)。为了解决优化问题,我们提出了一个算法,EnM.B,这是基于提升方法。在基准数据集上的计算实验结果表明,这两种方法对于文档检索都是可行的。
2014-12-11 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
SmallReason-ColBERT: An Ultra-Small Late-Interaction Retriever for Reasoning Intensive Retrieval
University of Innsbruck(因斯布鲁克大学)
提出32M参数的SmallReason-ColBERT后期交互检索器,通过对比预热、难负样本精炼和重要性头训练,在BRIGHT上达到21.41 nDCG@10,接近150M模型,并证明学习头优于固定IDF加权。
2026-09-25 cs.IR
Frustratingly Simple Retrieval Improves Challenging, Reasoning-Intensive Benchmarks
Allen Institute for AI(艾伦人工智能研究所);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Southern California(南加州大学);University of Washington(华盛顿大学)
本文提出网络规模高质量数据存储 CompactDS,结合内存 ANN 检索与磁盘精确搜索,使最小化 RAG 在多个推理密集型基准上一致提升准确率,并可与搜索引擎及复杂智能体 RAG 系统相媲美。
2025-07-05 cs.CL cs.IR
LimRank: Less is More for Reasoning-Intensive Information Reranking
Yale NLP Lab(耶鲁大学自然语言处理实验室)
本文提出LIMRANK,利用开源合成数据流水线LIMRANK-SYNTHESIZER生成高质量重排序样本,以少于先前工作5%的数据微调LLM,在BRIGHT和FollowIR基准上取得竞争性能,并展现强泛化能力。
2025-10-27 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
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
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