- 1. BTZSC: A Benchmark for Zero-Shot Text Classification Across Cross-Encoders, Embedding Models, Rerankers and LLMs · 📖 深度解读
本文构建了涵盖 22 个数据集（情感、主题、意图、情绪分类）的零样本文本分类基准，系统评测了 38 个模型，覆盖 NLI cross-encoder、embedding 模型、重排序器和指令微调 LLM 四大类。核心发现：现代重排序器 Qwen3-Reranker-8B 以 macro F1=0.72 刷新 SOTA；embedding 模型 GTE-large-en-v1.5 提供最优速度-精度平衡…
出现于日报：03-14
- 2. Optimizing Generative Ranking Relevance via Reinforcement Learning in Xiaohongshu Search
提出一种将相关性建模形式化为多步推理任务的强化学习范式。将领域特定的相关性标准嵌入结构化 prompt，并提出 Stepwise Advantage Masking (SAM) 实现步级别的 credit assignment，使生成式排序模型能够更精准地学习相关性判断。该方法已在小红书搜索系统中部署。
出现于日报：03-09
- 3. A Systematic Investigation of Document Chunking Strategies and Embedding Sensitivity · 📖 深度解读
本文首次对稠密检索中的文档分块策略进行了大规模、跨领域的系统评测。研究覆盖 36 种分块方法（包括固定长度、语义、结构感知、层次化、自适应和 LLM 辅助等），在 6 个不同知识领域上使用 5 种 embedding 模型进行基准测试。结果表明内容感知分块（尤其是 Paragraph Group Chunking）显著优于简单固定长度分块，最佳策略的 nDCG@5 达到 0.459，Hit@5 达到 59%。
出现于日报：03-11
- 4. Approximate Nearest Neighbor Search for Modern AI: A Projection-Augmented Graph Approach · 📖 深度解读
本文提出 Projection-Augmented Graph (PAG)，一种面向现代 AI 应用的近似最近邻搜索框架。作者总结了现代 AI 应用对 ANNS 的六大关键需求：高查询效率、快速索引构建、低内存占用、高维可扩展性、不同检索规模的鲁棒性、以及支持在线插入。PAG 通过在图索引中集成投影技术，利用精确距离和近似距离的非对称比较来减少不必要的精确距离计算。在 6 个现代数据集上的实验验证了 PAG 的一致优势。
出现于日报：03-11
- 5. LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum · 📖 深度解读
提出 LACONIC 系列学习稀疏检索模型（1B/3B/8B），基于 Llama-3 架构，采用两阶段训练范式：弱监督预微调使因果语言模型适应双向上下文理解，随后使用精选难负例进行高信号微调。LACONIC-8B 在 MTEB Retrieval 15 个数据集上达到 60.2 nDCG@10，排名第 15 位，是该榜单上唯一的学习稀疏检索模型。
出现于日报：03-14
- 6. Rank1: Test-Time Compute for Reranking in Information Retrieval · 📖 深度解读
提出 Rank1——首个利用测试时计算（test-time compute）的重排序模型。通过从推理语言模型（如 Deepseek-R1）蒸馏推理链，构建了超过 60 万条基于 MS MARCO 的推理轨迹数据集。Rank1 在推理和指令跟随基准上取得 SOTA，具有强泛化性，量化版本在计算量减少的同时维持性能。发表于 CoLM 2025。
出现于日报：03-14
- 7. KuaiSearch: A Large-Scale E-Commerce Search Dataset for Recall, Ranking, and Relevance
发布目前规模最大的电商搜索数据集 KuaiSearch，基于快手真实用户搜索交互构建。包含约 33 万用户、1800 万商品、250 万真实搜索 query，覆盖召回、排序、相关性判断三个搜索链路阶段，同时包含冷启动用户和长尾商品场景。
出现于日报：03-09
- 8. A Systematic Study of Pseudo-Relevance Feedback with LLMs
系统研究了基于 LLM 的伪相关反馈（PRF）系统中两个关键设计维度——反馈来源和反馈模型的影响。在 13 个低资源 BEIR 任务上进行受控实验，使用 5 种 LLM PRF 方法。核心发现：反馈模型对 PRF 效果影响最大；仅使用 LLM 生成文本作为反馈源是最具性价比的方案；当第一阶段检索器足够强时，语料库反馈表现最佳。
出现于日报：03-14
- 9. Query Rewriting via LLMs
本文系统探索了基于大语言模型的查询改写策略，包括 LLM 生成关键词、伪答案和丰富化词项等方法，旨在提升搜索相关性和召回率。
出现于日报：03-10
- 10. Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
提出约束感知的生成式重排序框架，将约束优化问题转化为有界神经解码，将序列生成与奖励估计统一到单一网络中。创新性地引入「约束感知奖励剪枝」，在自回归解码过程中直接集成约束满足条件。经大规模工业信息流和线上 A/B 测试验证，在满足严格延迟要求的同时实现了收入和参与度的提升。
出现于日报：03-14