今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 64 篇，入选 5 篇，分数 3.20 – 4.00
论文比较原生多模态向量与视觉大模型零样本排序在跨模态检索中的效果，覆盖文本、图像、视频和音频共享表示。作者在 Flickr30k 的困难负样本设置下对比 Gemini Embedding 2、GPT-4.1 与 Claude Sonnet 4.6，发现两种前沿视觉模型的排序表现与 Gemini Embedding 2 相当；向量预计算后更适合低延迟检索。
腾讯云文章总结混合检索 RAG 的一条可落地链路：关键词检索与向量检索并行召回，再做结果融合和 Reranker 重排。案例指出，编号、型号等精确字符串容易被纯向量检索漏掉，而直接拼接两路结果会把余弦相似度与 BM25 分数混在一起，带来重复和排序失真。
INSIGHT短文本 UGC 搜索不应在 BM25 与向量召回之间二选一：实体名、型号、话题词需要倒排精确命中，口语化表达和改写需求则需要语义召回。可先用 RRF 等排名级融合消除分数尺度差异，再对小候选集做轻量重排，并按 query 类型和 top1/top2 边际差异实施选择性重排。
论文把“找到数据”进一步拆成“找到值得信任、适合当前问题的数据”，提出数据使用图这一检索基础设施。图结构连接数据集、论文、机构、主题、软件、模型和工作流，把历史使用、来源治理、语义清晰度与社区验证等证据补充到传统元数据中，并在 National Data Platform 原型服务中验证可行性。
INSIGHT社区内容检索也存在“相关但不可信”的结果问题：仅看语义相似度无法判断来源质量、上下文完整性和实际使用反馈。可借鉴数据使用图，为帖子或知识条目增加引用、复用、作者信誉、时间和主题关系特征，再将这些证据作为召回过滤或排序校准信号，而不是让热度单独代表可信度。
文章记录知识库从纯向量检索升级到混合检索与排序的生产过程：文档量从 10 万增至 50 万后，P99 延迟由 200ms 恶化到 1.2s、内存由 8GB 增至 38GB，业务要求则是 P99 控制在 800ms 内并支撑日均百万查询。实践重点是用多路召回和排序共同平衡效果、延迟与成本。
INSIGHT这类容量曲线对 UGC 搜索很有参考价值：向量索引扩张会同时放大延迟、内存和更新成本，不能只盯离线 Recall。上线前应把 P99、增量入库时延、索引内存和查询吞吐列为硬约束，采用倒排召回兜底、ANN 召回扩展语义覆盖，再按预算控制重排候选数。
文章以企业网盘全文搜索为例，拆解倒排索引、向量检索和双路融合的工程架构，关注数据规模从几十 GB 增长到数十 TB 后的可用性。作者使用 Reciprocal Rank Fusion 合并 BM25 与向量结果，通过排名贡献 1/(k+rank) 避免不同分数区间直接相加，并讨论中文分词和百万级文件检索。
INSIGHT对短文本社区搜索，RRF 的价值不在于替代排序模型，而在于用低复杂度建立稳定的多路召回基线。建议把 query 精确词、实体和标签走倒排，把同义表达和长尾意图走向量，再用 RRF 形成候选集；只有在离线 nDCG 和线上 CTR 都证明有收益时，才增加更重的 cross-encoder。