今日场景今天 AI 搜索这条线有两个主题。一个是检索和重排怎么更贴近真实需求。微信搜索的 WeSearch 不再让多主题文档挤进一条 Semantic ID 路径，已经接管全部流量。Re³Rank 让模型先写推理再用它读注意力打分，DMReranker 把 query 里附加的要求拆成小题逐条判断。另一个是 agent 式的搜索。DR Pixel 直接对着论文页面图片检索和推理，Mind2Report 写商业分析报告，还有一篇训练模型在问题缺信息时先追问。 — 评分 120 篇，入选 10 篇，分数 3.75 – 4.65
Tencent生成式检索常给每篇文档分配一个固定的层级 Semantic ID，默认一篇文档只走一条语义路径。可一篇文章常常同时讲好几件事，这个假设就不成立了。微信搜索的 WeSearch 换了个顺序，先按 query 找出相关的文档簇，再在这些簇里逐篇给文档打相关分，把粗筛和精细判断分开。索引可以增量更新，模型能每周甚至每天刷新。它已接管微信搜索的全部流量，一个月全量 A/B 里 CTR 提升 0.68%，检索资源成本降了 41%。多主题文档不必再挤进一条路径。
用注意力做重排，是看大模型里几个专管检索的注意力头从问题出发，把多少注意力分给每个候选文档。可问题本身往往很短，能提供的线索有限。Re³Rank 先让模型针对问题和候选写一段推理，再拿这段推理的 token 去读这几个注意力头，把分到的注意力当作相关分。推理是采样出的离散 token，梯度传不回去。训练时前向照常用采样出的推理打分，反向时改用生成模型给出的 token 概率去加权 embedding，排序损失就能一路训练到写推理的那部分。在 9 个基准上，它平均比最强基线高 3.11 个 NDCG 点。
做深度研究的 agent 读论文时，通常先把页面 OCR 成文字，表格、图和公式在这一步就丢了不少。DR Pixel 干脆不转文字，把 106 万页论文渲染成图片，检索和推理都直接对着页面图片做。不经任何训练，这种做法在几个最强的闭源和开源模型上都比先 OCR 的流程答得好，调用工具的次数也更少。作者再用老师模型的轨迹微调开源模型，并给每一步单独定权重：把这一步删掉，看最终答案的质量变化多少，变化越小权重越低。训练后检索召回提高约 15 个点，答题准确率提高 10 个点以上。先 OCR 再检索这一步不但多余，还拖了后腿。
搜索时人们常在 query 后面加要求，比如要写给新手的、要某种语言的、只要官方来源。多数重排模型只学过判断主题相关，把这些要求当成几个多余的词。InfoSearch 基准用 WISE 分衡量这件事，加上要求后符合条件的文档往前挪、换成相反要求时往后挪，就得分，排名越靠前的挪动分量越重。就连用 GPT-4o 做重排，WISE 平均也只有 33.5。DMReranker 把带要求的 query 拆成主题和几条具体条件，让一个小模型对每条条件只回答一个窄问题，再把各题判定满足的概率乘起来当总分。整个过程不训练任何参数，WISE 达到 50.9。把一句复杂要求拆成几道小题，比让大模型一次判断整句更可靠。
用蒙特卡洛树搜索帮大模型在知识库上一步步查答案，难点在于怎么给中间步骤打分。一种做法是每一步都模拟到底再看答案对不对，代价很高。另一种是另训一个奖励模型，需要大量数据。这篇论文把截至这一步的查询记录交给一个开源指令模型，分别算带上原问题和不带原问题时这段记录的困惑度。带上问题后困惑度降得越多，说明查到的东西和问题越相关，这一步的奖励就越高。这样只需几次前向计算，不用模拟到底，也不用训练奖励模型。在 4 个 KBQA 基准上，它稳定好于不做搜索的逐步方法；和模拟到底的经典树搜索比，准确率和成本的权衡一般更好。
用户的问题常常缺关键信息，大模型却很少反问。作者在真实用户提问上测了多个大小不同的模型，缺信息的问题里只有不到 11% 会换来一个追问。作者从完整问题里删掉细节造出模糊版本，删了什么事先已知。训练方法 DialogGRPO 先用外部大模型离线把对话展开成一张图，节点是已经问出了哪些信息，边是候选追问。每个追问新问出几条可以直接数，再从它之后的状态在图上随机走几条后续路径，取问出信息的平均值，两者合起来就是它的分数。训练后，模型在 88% 以上的模糊问题上问出了缺失信息，对完整的问题也不乱问。
电商搜索判断商品和 query 相不相关，难在几方面证据会互相打架：属性看着对，用户意图却不对，业务规则又另有要求。一次推理很难把这些冲突理清。CADRE 让三个专家分别看商品属性、用户意图和业务规则，它们共用同一个冻结的大模型，再由一个可训练的裁判模型检查各自的证据。专家意见不一致时，裁判针对分歧追问，让专家澄清或修改后再下结论。这套流程太重，线上用不起，作者把它当老师，蒸馏成一个轻量模型上线。在搜索广告平台各占 10% 流量的 7 天 A/B 测试里，业务指标和相关性满意度都有提升。
多模态检索里，一条视频可能缺音频、字幕又有噪声，只靠这条样本自己的几种模态很难学好表示。这篇论文在训练时把每条样本的每种模态当成一个节点，用超图的边把同一样本的几种模态、以及语义相近样本的模态连在一起，一条边可以同时连好几个节点。特征沿这些边互相传递，一条样本的表示就掺进了相似样本的信息。缺的模态不成节点，也不去补。这些信息在训练中被学进了编码器，检索时编码器直接给出表示，超图丢掉不用，流程和开销都不变。在 17 组视频设置上，它在两个检索方向都好于现有的多模态对齐方法 GRAM，文本搜视频的平均 R@1 从 63.4 提到 68.2。即使九成片段缺一种模态，提升依然存在。
让做深度研究的 agent 写商业分析报告，常见三个毛病。意图没问清，搜着搜着就跑题。网页内容很快塞满上下文。报告一次写完，覆盖不全。Mind2Report 照着分析师的做法来，先把用户真正想要的拆细，列出提纲。然后逐层搜网页，把核实过的证据摘进一份研究笔记，而不是把原网页塞进上下文。提纲随着笔记不断调整，最后按提纲分多轮写成报告。作者还建了一个包含 200 个真实商业任务的评测集，从质量、可靠性和覆盖面打分，Mind2Report 在上面优于主流的闭源和开源同类 agent。
RAG 检索回来的文档可能带着隐私，只在单篇文档里抹掉名字还不够，几篇文档拼起来，被删掉的信息仍可能被推出来。这篇论文先把检索到的多篇文档抽成一张统一的知识图谱，把哪些事实算隐私交给使用者指定，再训练 Flan-T5 改写文档，删掉隐私事实、保留公开事实。之后用 PPO 继续优化，改写后留下的隐私越少、保住的公开知识越多，奖励就越高。在 4 个问答数据集上，它抹除隐私的效果好于直接让 GPT-4o 改写。
已录用 CIKM 2026
Fudan University
Peking University
已录用 EMNLP 2026
Beihang University
Chinese Academy of Sciences