- 1. vstash: Local-First Hybrid Retrieval with Adaptive Fusion for LLM Agents
本文提出 vstash，一个本地优先的文档记忆系统，将向量相似搜索与全文关键词匹配通过 Reciprocal Rank Fusion (RRF) 和自适应 per-query IDF 加权进行融合。系统基于单个 SQLite 文件实现（sqlite-vec + FTS5）。核心贡献是通过混合检索分歧信号进行自监督 embedding 微调：在 753 个 BEIR 查询上…
出现于日报：04-21
- 2. Semantic Recall for Vector Search · 📖 深度解读
针对向量搜索中传统 recall 指标的缺陷——惩罚未检索到语义无关的近邻——提出 Semantic Recall 新指标，仅计算语义相关的近邻召回率。同时提出 Tolerant Recall 作为实用近似指标。在 embedding 数据集上实证表明，优化 Semantic Recall 可获得更优的检索成本-质量权衡。论文被 SIGIR 2026 接收。
出现于日报：04-24
- 3. On the Robustness of LLM-Based Dense Retrievers: A Systematic Analysis of Generalizability and Stability
当前 decoder-only LLM 正在全面取代 BERT 架构成为稠密检索的主干模型，但其鲁棒性研究严重不足。本文首次系统评估了主流开源 LLM-based 稠密检索器在泛化性和稳定性两个维度上的表现，发现 LLM 检索器在跨领域泛化和对抗扰动下的稳定性均存在显著问题，为搜索系统的模型选择和部署提供了关键指导。
出现于日报：04-22
- 4. Rethinking the Necessity of Adaptive Retrieval-Augmented Generation through the Lens of Adaptive Listwise Ranking
提出 AdaRankLLM，一个自适应检索排序框架。通过 zero-shot prompt + passage dropout 机制实现自适应 listwise 排序，能动态判断是否需要检索补充段落。为使小型开源 LLM 具备精确的列表排序和自适应过滤能力，引入两阶段渐进式蒸馏范式（数据采样+增强技术）。在 3 个数据集和 8 个模型上的大规模实验验证了方法的有效性。
出现于日报：04-21
- 5. Search-R3: Unifying Reasoning and Embedding Generation in Large Language Models · 📖 深度解读
该论文提出 Search-R3（Reasoning-Reinforced Representation for Search）框架，首次将大语言模型的链式推理（CoT）能力与搜索 embedding 生成统一在同一模型中。通过三个关键机制实现：(1) 监督学习阶段建立高质量 embedding 生成能力；(2) 强化学习方法同时优化推理过程和 embedding 质量；(3) 专用 RL 环境避免每次训练迭代时全量重编码语料库…
出现于日报：04-20
- 6. GRAB-ANNS: High-Throughput Indexing and Hybrid Search via GPU-Native Bucketing
混合搜索（向量相似度 + 结构化过滤）是现代搜索系统的核心组件。现有 CPU-based ANN 索引在带过滤条件时受限于内存带宽和并行度。本文提出 GRAB-ANNS，一个 GPU 原生的桶式混合搜索框架，通过 GPU 并行的分桶索引和向量相似度联合计算，大幅提升混合查询吞吐量，同时保持搜索精度。
出现于日报：04-22
- 7. Dual-View Training for Instruction-Following Information Retrieval · 📖 深度解读
针对指令遵循检索（IF-IR）场景中检索器只关注语义相关性、忽略用户显式约束（如属性要求、排除条件）的问题，提出基于极性反转的双视角数据合成策略。核心思路是对同一文档对生成互补指令使其相关性标签互换，迫使检索器通过指令视角重新评估候选文档而非依赖固定的主题信号。305M 参数编码器在 FollowIR 基准上取得 45% 的性能提升，超越同等或更大规模的通用 embedding 模型。
出现于日报：04-23
- 8. ECLASS-Augmented Semantic Product Search for Electronic Components
针对工业电子元器件搜索中自然语言查询与属性密集型产品描述之间的词汇鸿沟问题，系统评估了 LLM 辅助稠密检索在语义产品搜索中的表现，并探索将 ECLASS 层次化语义标准集成到 embedding 检索中。稠密检索+重排序方案在专家查询上实现 94.3% 的 Hit_Rate@5，远超 BM25 的 31.4%，同时超越基础模型网页搜索基线。
出现于日报：04-23
- 9. Iterative Reranking as a Compute-Scaling Method for LLM-Based Rankers · 📖 深度解读
该论文提出迭代重排序（Iterative Reranking）作为 LLM 排序模型的推理时计算扩展策略。核心思路是利用 LLM 的非确定性，通过反复应用 listwise 排序器来逐步优化排序结果——每次迭代可以修正前一次的排序误差。在 TREC DL19、FutureQueryEval 和 Amazon 电商难查询三个数据集上，使用三种开源 LLM 评估，迭代重排一致性地提升了 nDCG@40 指标…
出现于日报：04-20
- 10. Training for Compositional Sensitivity Reduces Dense Retrieval Generalization
稠密检索模型将文本压缩为单一向量并用余弦相似度排序，但这种表示对组合语义变化（如否定、角色互换）不敏感。本文在四种双编码器骨干上实验发现，增加组合敏感性训练会显著降低检索泛化能力，揭示了一个重要的检索-组合权衡现象，由单位球余弦空间的几何限制所驱动。
出现于日报：04-22