- 1. Querit-Reranker: Training Compact Multilingual Rerankers via Efficient Label-Free Distribution Adaptation · 📖 深度解读
百度与中科院计算所提出的多语言 cross-encoder 重排模型，解决第二阶段重排器适配新分布需大量人工相关性标注的问题。pipeline 先在大规模 ranking 数据上学通用相关性，再用 synthetic-query mining + teacher 连续软标签做无标注分布适配，最后用 SLERP（球面线性插值）合并多个任务 checkpoint 成单一可部署模型，避免 runtime ensembling…
出现于日报：06-19
- 2. RSRank: Learning Relevance from Representational Shifts · 📖 深度解读
针对 RAG 系统精排环节的相关性打分问题。现有 reranker 多用语言模型为 next-token 预测设计的 logit 信号判相关，并依赖启发式阈值过滤，二者都不是为相关性评估而设计。作者提出用「表征漂移 (representational shift, RS)」作为相关性信号：当 query 的内部表征以候选文档为条件被改写时会产生位移，候选文档诱导的 RS 与一个 oracle 文档集诱导的 RS 之间的对齐度…
出现于日报：06-18
- 3. CompRank: Efficient LLM Reranking via Token-Level Compression and Decoding-Free Scoring · 📖 深度解读
CompRank 针对 LLM listwise 重排序在线推理成本高的问题，提出 token 级压缩加 decoding-free 打分：通过文档表示解耦、segment-wise token 压缩与 CopyNet 式训练目标，仅保留 10.2% 的文档 token。在 7 个 BEIR 数据集上 NDCG@10 达 39.2，对比全 token 注意力的 39.7 基本持平…
出现于日报：06-15
- 4. Retrieval-as-a-Service: A System-Oriented Analysis of Industrial Retrieval Pipelines in Web Systems
面向工业级 Web 服务中检索系统日益独立成层（Retrieval-as-a-Service, RaaS）的趋势，本文从系统而非算法视角综述工业检索流水线的架构设计与部署权衡。作者提出统一的 RaaS 多阶段流水线抽象，涵盖高效候选生成、基于 embedding 的语义召回与多阶段排序/重排，并系统分析延迟约束、可扩展性与资源限制如何反向塑造生产环境下的系统设计。
出现于日报：06-17
- 5. Lost in a Single Vector: Improving Long-Document Retrieval with Chunk Evidence Aggregation
中科院计算所 Jiafeng Guo 组研究 dense retrieval“一个 query 向量对一个文档向量”接口在长文档上的失效：决定性的短 span 在文档编码时被过早压缩稀释。提出 Evidence Dilution Index (EDI) 量化文档级表示比同文档最强 chunk 级证据弱多少，并给出训练-free 的 DICE：把文档切 chunk、用冻结模型各自编码、再聚合回单一向量，保持标准单向量接口…
出现于日报：06-19
- 6. ADORE: Iterative Query Expansion with Retrieval-Grounded Relevance Feedback
多数 LLM query 扩展只生成不验证，产出看似合理的伪文档却不检查目标语料的真实响应，容易引入检索漂移、放大误导词或漏掉区分相关/不相关文档的关键词。ADORE（ADapt, Observe, Relevance Evaluate）把检索结果变成下一轮扩展的反馈：每轮由 LLM 生成伪段落、检索器暴露语料响应、相关性评估器对照原始 query 判定检索到的文档，据此决定强化什么、补什么、抑制什么…
出现于日报：06-16
- 7. Rescaling MLM-Head for Neural Sparse Retrieval
Korea University 研究学习型稀疏检索（LSR，如 SPLADE）换更强 backbone 反而掉点甚至训练崩溃的现象。根因定位为 MLM head 的 scale mismatch：SPLADE 直接用 MLM-head 输出构造稀疏词项表示、用未归一化点积算相关性，MLM-head L2 norm 偏大会放大稀疏激活、扭曲匹配分、破坏对比训练稳定性…
出现于日报：06-19
- 8. SCAR: Semantic Continuity-Aware Retrieval for Efficient Context Expansion in RAG
针对 RAG 中固定长度切块导致的"边界碎片化"（关键证据被切到相邻 chunk、召回率下降）问题，提出 SCAR 自适应检索策略：对每个命中 chunk，按 query-邻居相关性与结构连续性惩罚的权衡决定是否扩展相邻块；扩展阈值是相对于该 chunk 自身相关性的相对阈值，因而近似尺度不变、跨 embedding 模型无需重新标定。在 RFC/GDPR/10-K/并购协议四个语料（N=320 query…
出现于日报：06-17
- 9. MCompassRAG: Topic Metadata as a Semantic Compass for Paragraph-Level Retrieval
UBC 与 ServiceNow 提出 metadata 引导的检索框架，针对 RAG 中 chunk 粒度的两难：细 chunk 精度高但搜索空间大、延迟高，粗 chunk 候选少但 embedding 混入多主题、语义噪声大。MCompassRAG 把 topic 主题元数据 embedding 与 chunk 同一向量空间作“语义罗盘”，并用 LLM-teacher 蒸馏训一个轻量 retriever…
出现于日报：06-19
- 10. ML-Embed: Inclusive and Efficient Embeddings for a Multilingual World
ML-Embed 是 ICML 2026 的多语言文本 embedding 模型族，提出 3D Matryoshka Learning（3D-ML），在模型深度、embedding 维度、序列长度三个维度同时做嵌套训练以兼顾效率。开源 140M–8B 多档模型及全部数据与代码，在 MTEB 的 430 个任务上评测，于 17 个 benchmark 中刷新 9 个纪录，低资源语言提升尤为明显。
出现于日报：06-15