2026-11-16 周一 · AI 搜索

今日场景今天的检索赛道在问:送给下游的东西,怎样才算刚刚好。Jina 的测试发现,列表式重排模型的候选不是越多越好,第一阶段越强,最佳候选数越少。CURATOR 不再把整段文字塞给 RAG,而是从几百个候选句里挑出真正的证据。AntEmbed 和 UMER 都在一个多模态模型里兼顾快速检索和推理带来的细粒度判断,后者让推理把正例和难负例放在一起比。另一篇医学问答研究提醒,模型不够准时,校准和覆盖率保证也给不出有用的答案集。 — 评分 36 篇,入选 5 篇,分数 3.05 – 4.40

本期目录 · 5 篇
  1. 01Too much of a good thing: Why 20 candidates beat 200 when reranking search results
  2. 02CURATOR: Scalable Fine-grained Evidence Selection for Retrieval-Augmented Generation using Decision Models
  3. 03AntEmbed: Dual-Mode Multimodal Embedding Model for Efficient and Fine-Grained Retrieval
  4. 04UMER: Unifying Embedding and Ranking via Pair-Aware Discriminative Reasoning for Universal Multimodal Retrieval
  5. 05Calibration and Conformal Prediction for Medical Question Answering in Arabic and English: Evidence from Two Non-Parallel Benchmarks
LEAD STORY · 今日必读 · Elastic

Too much of a good thing: Why 20 candidates beat 200 when reranking search results

给重排模型的候选越多越好吗?Elastic 旗下 Jina 的团队在二十多个检索基准上测了自家的列表式重排模型,答案是否定的。第一阶段用 BM25 时,重排前 100 个候选效果最好,平均能减少约五分之一的错误,再往上加反而变差。第一阶段换成语义检索时,最佳点提前到 20 个,收益也小得多,送进 200 个的平均效果甚至不如不重排。原因在于列表式模型一次看完整个候选列表,候选太多,注意力被摊薄,噪声越积越多。逐个打分的模型就没有这个问题,多一个候选不会改变其他候选的先后。第一阶段越差,重排需要的候选越多,能补救的空间也越大。候选池大小要按第一阶段的质量来定,送多了反而有害。

相关 5新颖 3实用 5证据 4时效 5
4.40
综合分 / 5
偏好调整 4.45
Scott Martens, Sofia Vasileva · 2026-11-13 · 技术博客

今日其余入选

4 篇 · 按综合排名
02 4.00

CURATOR: Scalable Fine-grained Evidence Selection for Retrieval-Augmented Generation using Decision Models

Amazon📖 深度解读 · 11 分钟 →

RAG 通常把检索到的整段文字都塞给大模型,可真正能回答问题的往往只有其中几句。挑出这几句并不容易:一句话单看像是无关,要结合其他检索内容才知道该不该留。逐句带着全部上下文判断又太贵。决策模型能在一次推理里同时给很多候选句打分,每个判断都看得到周围的句子,但作者发现,同时要做的判断越多,它分辨有用证据的能力越差,而一次检索常常就带来几百个候选句。

Shib Dasgupta, Bandish Parikh, Rashmi Gangadharaiah
arXiv·2026-11-12·Relevance 4 · Novelty 4 · Practical 4 · Evidence 4 · Timely 4
03 4.00

AntEmbed: Dual-Mode Multimodal Embedding Model for Efficient and Fine-Grained Retrieval

Soochow UniversityAnt Group📖 深度解读 · 12 分钟 →

多模态检索里有两种 embedding。判别式的直接编码原始输入,快,但抓不住细粒度的语义。生成式的先让模型推理一遍查询意图和区分证据,再编码,更准,可每次查询都要多跑一次推理。苏州大学和蚂蚁集团的 AntEmbed 想让一个模型两种都能用,而且共用同一个候选索引。

Kehang Jia, Teng Liu, Juntao Li, Hua Chen, Jinxiong Chang, Xiaobo Liang, Min Zhang
arXiv·2026-11-12·Relevance 4 · Novelty 4 · Practical 4 · Evidence 4 · Timely 4
04 3.80

UMER: Unifying Embedding and Ranking via Pair-Aware Discriminative Reasoning for Universal Multimodal Retrieval

Beihang University

用多模态大模型做 embedding 时,近来流行先让模型写一段思维链再编码,把中间的语义证据注入表示。问题是这些思维链对查询和候选各写各的,看不到和正例很像的那个难负例,也就说不出正例为什么对、难负例差在哪。UMER 改成成对推理:把查询和候选放在一起比较,写出符合指令的匹配证据和不符合的差异证据。同一个 MLLM 既学能单独建索引、做全库检索的 embedding,也学成对的相关性判断,两种能力再互相蒸馏可靠的偏好。上线时可以只用 embedding 检索,预算够再打开成对重排。在 MMEB-V2 上,以 Qwen2-VL-7B 为骨干的 UMER 得分 70.6,比同骨干的最强基线高 2.0 分。要分清正例和难负例,推理时得把两者放在一起比。

Libiao Chen, Xiyang Liu, Yanheng Wei, Zhenyu Tang
arXiv·2026-08-19·Relevance 4 · Novelty 4 · Practical 4 · Evidence 4 · Timely 2
05 3.05

Calibration and Conformal Prediction for Medical Question Answering in Arabic and English: Evidence from Two Non-Parallel Benchmarks

大模型做医学考试题的准确率说明不了哪一道题的答案能信。作者用两个 7B 开源模型,在英文的 MedMCQA 和阿拉伯语的 MedAraBench 选择题上检查了模型给出的选项概率靠不靠谱。四种组合里原始概率全都过于自信,一个温度参数就消掉了八成以上的校准误差。共形预测给出的候选答案集合在所有设置下都达到了承诺的覆盖率,但模型准确率低时集合很大:要保证 90% 覆盖,Jais 在阿拉伯语题上的集合平均包含 89% 的选项。按置信度只回答最有把握的两成题目,Qwen 在英文题上的错误率从 0.439 降到 0.098。两个基准的科目和难度都不同,作者因此没有把差异归因于语言本身。模型不够准时,覆盖率保证本身给不出有用的答案集。

Mariya
arXiv·2026-11-12·Relevance 3 · Novelty 3 · Practical 4 · Evidence 3 · Timely 4

其他赛道今日

点击切换

开源雷达

GitHub / HuggingFace 热门 · 2 个项目