今日场景今天检索赛道有 10 篇，5 篇有深度解读，主线是精排和 agent 式检索。ACARe 发现，只要把原问题交给 reranker，搜索 agent 的答题准确率就有明显提升，专门训练只是锦上添花。另一篇系统评估提醒，用大模型替换专用 reranker 前，先把现有 reranker 的截断策略调好。DecisionRAG 干脆不用召回模型，让决策模型逐层浏览文档。SkillQR 从语料里自动挖改写技能，CA-HNM 用知识图谱筛难负例。做搜索精排和 RAG 的团队可以先看 ACARe 和 reranker 替换那两篇。 — 评分 108 篇，入选 10 篇，分数 3.75 – 4.40
训练稠密检索时，难负例一般取检索排在前面、但没被标成正例的文档，可排得靠前只说明它和 query 像，说明不了它为什么不该被召回。CA-HNM 借助课程知识图谱查每个候选错在哪：讲的知识点不对、范围偏了或难度级别对不上，只把这类冲突明确的候选留作负例。和同样检索位置取负例、但不看图谱的对照相比，它在多数设置下效果更好；可在一个数据集上把图谱关系随机打乱，NDCG@10 反而从 0.0311 升到 0.1174，图谱到底帮了多少还要打个问号。
多数 RAG 的召回仍靠 BM25 或向量相似度，召回漏掉的证据，生成模型再强也找不回来。DecisionRAG 不用召回模型，而是让一个决策模型像人逛图书馆一样，从主题到页面再到段落逐层往下找，每层的候选放进同一个上下文一起判。在 268 万个维基百科段落上，它的 Hit@1 比 Qwen3-Embedding-8B 召回加 reranker 高 17.4 个点，每个 query 检索约 1.7 秒。
搜索 agent 发出的子查询常常只有几个关键词，只看子查询的 reranker 会把字面相似、对原问题没用的文档排到前面。ACARe 把原问题和 agent 的推理过程一起交给 reranker 判断。关键对照是：不改 Qwen3-Reranker-4B 的参数，只在输入里加上原问题，小 agent 的答题准确率就从 48.2% 升到 54.8%，专门微调后到 57.6%。大部分收益来自给 reranker 上下文本身，五个 agent 上搜索次数也都更少。
用大模型改写 query 时，常见做法是对所有 query 用同一条指令，但改写往哪个方向写，其实取决于要搜的语料。SkillQR 离线把语料聚类，让大模型为各类文档总结出几条改写指令，比如面向编程题语料，要求列出解题需要的数据结构和算法；查询时由同一个模型挑一条再改写，不需要训练数据。自动挖出的技能效果和人工写的学科指令持平；14B 版每个 query 改写约 38 秒，迭代改写的 ThinkQE 要 85 秒，说明省掉多轮迭代后速度优势明显。
想用大模型替换 RAG 里的 reranker，这篇的结论是先把现有 reranker 调好。作者在相同候选上比较 27B 决策模型 PPLX Decider 和 0.6B 的 Jina v3.5：默认设置下 PPLX 只有 44.1% 的请求能正常返回，只看成功请求它更好，把失败算进来就明显落后。把输入预算平均分给每篇候选、只保留开头部分后，它能追平 Jina；可 Jina 用同样的截断方式，延迟就降到 245 ms，显存也只有它的零头。
RAG 投毒的防御论文常报告近乎完美的检测率，这篇发现很大程度上是数据集构造方式带来的捷径：PoisonedRAG 的代码会把目标问题原样拼在每段毒文本开头。只删掉这段前缀，已发表的过滤器 RAGuard 的漏检率就从 0.191 升到 0.763，说明它主要在认这段前缀。作者建议报告检测结果时，同时给出毒数据的构造特征和实际部署阈值下的误报率，否则数字没有意义。
搜索型模型每搜一次都要判断证据够不够：回答、再搜，还是放弃。常见做法交给模型整体判断，容易在提到了所有实体、却缺一个关键事实时就作答。Certify 先把问题拆成几条事实要求，写明哪些事实合起来能推出下一条，再逐条检索；只有段落讲的确实是问题里那个实体，才算满足这条要求。所有要求都能推出答案时才作答，不够时说清缺哪条。在 2,100 万个维基百科段落上，用它给出的最小证据集作答，正确率 80%，用全部召回段落只有 57%。
用强化学习教模型“不会就不答”时，常见奖励对答错一律同样扣分，对放弃也给固定奖励，分不出高置信的错和低置信的错。CalibraRL 对作答的回复加一项按置信度和对错计算的 Brier 惩罚，越自信地答错扣得越多；对放弃，则用同一问题其他采样的正确率估计这题能不能答好，答不好时放弃才奖励更多。它不需要额外标注，在三个问答数据集上降低了幻觉，平均校准误差下降 30.8%。
金融、工业等领域的知识图谱大多没有问答标注，想用强化学习提升大模型在图谱上的多跳推理就缺训练数据。EoG 让同一个模型轮流扮演出题者和解题者：先在图谱上采样推理结构并执行逻辑查询得到准确答案，出题者据此写出多跳问题；解题者对同一道题答多次，答案时对时错的题给出题者的奖励最高，太易或太难的题奖励低，题目就始终卡在解题者能力边缘。在 Freebase、Wikidata 和一个工业图谱的六个基准上，它都超过了提示、检索和 agent 类方法。
化工配方专利里，相关段落和干扰段落常常提到同样的化学物质，区别在于它们起什么作用，通用向量模型很难分辨。FormBench 用 5.5 万多个 query 来测这一点，干扰段落是按材料分类体系挑的，和正确段落提到的化学成分高度重合、作用却不同。结果很反常：OpenAI 的商用向量模型在难语料上 nDCG@10 只有 0.009，BM25 有 0.375，说明通用语义空间在领域内部挤成了一团；只有用这批三元组做过领域微调的 Qwen3-Embed 超过了 BM25。
NVIDIA
University of Waterloo