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 202 篇，入选 10 篇，分数 3.05 – 4.40
Coupang / 
Santa Clara University用大模型反复修改文档编码程序，自动寻找更好学的检索索引。小型生成器负责快速筛选，最终再用目标模型检验，训练方法保持一致。NQ320K 的前百条召回率从 85.82% 升至 90.57%。
跨品类对话推荐不必给每个领域单独部署大模型。商品图文表征离线算好，线上用共享的小模块按对话融合证据，再比较候选商品。论文报告命中率相对最强基线提高 35.4%。
INSIGHT把稳定的商品理解留在离线，把随对话变化的匹配留在线上。跨领域共享的关键不是简单混合数据，而是让当前问题决定该读取哪些商品信息。
University of Tokyo
LIGHTSPEED扩散语言模型检索事实时，实体与关系会很早合成查找线索。作者用多个问法共同修改这片内部状态，也把它读成检索向量。Dream-7B 在 BAKE 上的反向问答正确率由 20.3% 升至 83.6%。
INSIGHT同一事实对应的内部表示会随问法和方向变化。修改一个提示词下的表示并不够，覆盖多个问法的共同区域，才能让改动在反向提问时继续生效。
Meta
Duke University
NYU长流程智能体只有最终成败奖励，很难知道哪一步有用。作者让模型在总结中引用关键动作，再对照同组成功与失败轨迹修正这些引用，调整训练权重。8B 模型在 BrowseComp-Plus 上比最强强化学习基线高 8.5 个百分点。
INSIGHT模型自己指出的关键步骤也会认错功劳。把成功和失败轨迹放在一起核对，能过滤仅仅经常出现的动作，把学习信号集中到真正推动答案的证据上。
为多角色智能体选模型，需要同时计算效果和部署成本。作者利用评估成本与部署成本的关联，交替寻找更准确和更便宜的模型组合。八组基准中，约用穷举一成的评估成本即可找回相当一部分最优权衡方案。
INSIGHT选模型应评估完整工作流，因为上游输出会改变下游难度。一次试验同时更新效果与成本判断，比逐个角色独立挑模型更能反映实际部署取舍。
NYUNYU Shanghai搜索智能体拿到新证据后，可以直接改写已有计划。作者让扩散模型维护一份可编辑状态，只重建受影响的步骤，并用强化学习训练多轮检索。四个多跳问答基准的平均 F1 为 50.24。
INSIGHT计划应该是能修订的工作状态。追加解释会把旧判断继续留在上下文里；局部重建能让新证据真正替换旧路线，尤其适合实体消歧后的检索转向。
智能体训练的数据预算，不只决定生成多少文本，还决定覆盖多少任务和环境。论文分别拟合任务、环境与轨迹数量的扩展关系，帮助选择数据合成方向。实验同时考察 PPO 与 GRPO 两种强化学习算法。
INSIGHT训练样本数量相同，任务覆盖也可能完全不同。做推荐交互数据合成时，可以把新任务、新环境和重复轨迹分开记账；这里是可迁移的实验设计，并非推荐系统线上结论。
原本只补空缺词的语言模型，也能通过反复补词生成回答。作者按置信度逐步固定预测，不训练扩散过程，只做常规掩码任务适配。适配后的 BERT 在 ARC-Easy 上达到 28.2%。
INSIGHT去噪能力、任务适配和解码规则可以分开研究。已有双向编码器具备部分生成基础，但冻结模型的补词能力并不等于能完成任务，适配数据仍然决定输出内容。
Zhejiang UniversityLIGHTSPEED训练编码智能体时，模型之外的工具和运行规则也需要更新。作者从失败轨迹提炼修复技能，再迭代工具与钩子，并保留能改善训练表现的改动。SWE-bench Verified 的通过率比 GRPO 高 9.8 个百分点。
INSIGHT训练交付物是一对互相适配的模型和工具。训练时的临时技能可以撤掉，但经过共同演化的工具还在承担能力，部署时只拿走模型权重会遗漏这部分。
决策模型总分相近，也可能对关键条件有完全不同的反应。这个基准用成组的对照问题，检查选项判断、概率顺序和置信度。参考测试成绩相近的两个模型，对照组正确率分别为 70.1% 和 44.2%。
INSIGHT把一对只改变关键条件的问题一起计分，能发现平均准确率藏住的错误。生成式推荐的规则检查也可借鉴这种设计，例如只改库存状态或用户明确拒绝的属性。
已录用 NeurIPS 2026 Workshop
Microsoft
Columbia University
Cornell University