- 1. Gemini Embedding 2: A Native Multimodal Embedding Model from Gemini · 📖 深度解读
Google 发布 Gemini Embedding 2，是基于 Gemini 多模态主干的原生多模态向量模型，可在统一表示空间下编码视频、音频、图像和文本，并支持任意模态交错输入。模型采用大规模对比学习配合多任务多阶段训练，在 MSCOCO 上达到 62.9 R@1、Vatex 上 68.8 NDCG@10、MTEB multilingual 69.9、MTEB Code 84.0，全面超越各单模态专用模型…
出现于日报：05-28
- 2. HARNESS-LM: A Three-Phase Training Recipe for Harnessing SLMs in Sponsored Search Retrieval
针对赞助搜索 (sponsored search) 中检索质量与生产延迟难以兼顾的问题，HARNESS-LM 提出三阶段训练 recipe 把大规模 SLM 检索器的能力迁移到小模型：(1) 微调十亿参数级 SLM (如 Qwen3-Embedding-4B/8B) 得到高性能 teacher 检索器；(2) 用 L2 目标对齐 query 表示，把知识蒸馏进一个 sub-600M 的 student encoder…
出现于日报：05-26
- 3. Credit-assigned Policy Gradient for Early Stage Retrieval in Two-stage Ranking · 📖 深度解读
针对搜索/推荐/RAG 中两阶段排序（早期召回 ESR + 后排 LSR）端到端训练的难题，作者指出 vanilla policy gradient (V-PG) 在 ESR 上方差爆炸，因为它对整个候选集联合概率求梯度，忽略了单个候选的贡献。论文提出 credit-assigned policy gradient (CA-PG)：把梯度归到「目标物品被任何候选集选中」的边际概率上，对候选集大小做了边际化…
出现于日报：05-28
- 4. Is Position Bias in Dense Retrievers Built In-or Learned from Data?
论文系统性回答 Dense Retriever 的位置偏置（query 相关证据靠后则召回率下降）究竟来自模型架构还是训练数据。作者构造了证据出现在文档开头/中间/结尾的合成训练集，对 8 个不同架构的预训练模型分别在 skewed 和 balanced 分布上微调。结果显示：训练分布的偏置方向几乎完全决定了排序模型的偏置方向；用 position-balanced 训练数据可把 position-aware benchmark…
出现于日报：05-28
- 5. The Coverage Illusion: From Pre-retrieval Routing Failure to Post-retrieval Cascades in a Production RAG System
丹麦国家百科全书生产 RAG 系统的真实流量复盘：在 20,000 条 query-workflow 对上比较了 5 种召回工作流。合成 query 评测显示 90%+ 查询需要 LLM augmentation (HyDE / query expansion) 才能拿到高 coverage，但真实用户 query 在生产 deferral 策略下仅 27.8% 真正需要 augmentation…
出现于日报：05-28
- 6. Generalized Range Filtering Approximate Nearest Neighbor Search: Containment and Overlap [Technical Report]
面向真实向量检索系统中的「带范围过滤」需求（价格区间、时间区间、有效期等），论文把传统单点过滤 ANN 推广到 range-range (RR) 谓词：给定查询区间 [l_q, r_q] 和每个向量自带区间 [l_i, r_i]，支持 containment、overlap 及其析取的用户自定义关系。作者基于分段索引和图索引提出统一框架，证明在不同 RR 谓词下都能达到优于现有 range-filter ANN 基线的…
出现于日报：05-28
- 7. RAG-Match: Retrieval-Augmented Knowledge Injection and Hierarchical Reasoning for Calibrated Semantic Relevance · 📖 深度解读
针对知识密集型场景中相关性判别需要背景知识、多步推理和决策校准的痛点，论文提出 RAG-Match 三阶段框架：第一阶段做知识增强预训练，将检索到的外部知识与 query 一同注入，强化以 query 为中心的语义 grounding；第二阶段做分层推理对齐，将相关性判别拆为「事实/语义/意图」三层逐步对齐；第三阶段在难分边界样本上做 preference-based 偏好校准，纠正模型在 4 档相关性等级之间的决策抖动…
出现于日报：05-27
- 8. From PDF to RAG-Ready: Evaluating Document Conversion Frameworks for Domain-Specific Question Answering
系统性对比 Docling、MinerU、Marker 与 DeepSeek OCR 四款开源 PDF→Markdown 转换框架在 RAG 下游 QA 任务上的影响。在 36 份葡萄牙语行政文档（1706 页 ~49 万词）上跑 50 个 benchmark 问题，每个配置重复 50 次 LLM-as-judge 评分，并用 Wilcoxon signed-rank 检验 + Cohen's d 报告效应量…
出现于日报：05-28
- 9. AgentIR: A Workload-Adaptive Cascade Retrieval Substrate for Long-Term Conversational Memory · 📖 深度解读
面向长程对话记忆这种「索引在线增长、query 类型 session 内漂移、单次检索预算 sub-10ms」的非经典 IR 负载，论文提出 AgentIR：在 BM25/Dense/RRF/agent-aware RRF 这四种 fusion 中按 query 自适应路由，并用一个 confidence-triggered cascade router 仅基于 BM25 top-k margin 决定是否调用 ~52ms 的…
出现于日报：05-27
- 10. LLM-guided Hierarchical Search for End-to-end Reasoning Intensive Retrieval
针对 reasoning-intensive 检索（相关性判断需要对 query-doc 做语义推理而非词面/主题相似）的失效问题，作者跳出「便宜 embedding 召回 + LLM verifier」的标准范式，提出 LLM 直接与语料库通过分层可导航索引交互的新范式：完全没有 embedding-based retriever，LLM 在树状索引上自顶向下逐步收敛到目标文档…
出现于日报：05-28