Weekly Top 10 · 第46周

2026-11-09 ~ 11-15 · AI 搜索

生成式推荐 · 个性化推荐 · AI 搜索 · 系统与索引 · 具身智能

  1. 1. Beyond Ranking: Are Decision Models Calibrated Relevance Scorers? · 📖 深度解读

    Jev 这类决策模型不生成文字,直接给每个相关性等级输出一个概率,厂商还承诺这些概率是校准过的,可此前的独立检查都没拿它和人工分级标注对过。作者用 TREC 人工标注去对,发现它打到 0.9 以上的文档里只有 66% 真的相关,一起测的模型也都偏乐观。错的主要是刻度,用一年的标注拟合两个参数的 Platt 校准,换到新一年、新语料上照样能修回大半…

    出现于日报:11-11

  2. 2. Yuanbao-Reranker: Document-Grounded Synthesis and Preference Distillation for Text Reranking · 📖 深度解读

    用相关和不相关两个标签做 pointwise 微调的 reranker 有个缺口:同一个 query 的负例全都标成不相关,模型学不出哪个负例更接近正例。腾讯元宝搜索给每个正例配三个难度不同的负例,再加一项蒸馏损失:老师模型给出的两篇文档分差被当作下限,学生拉开到这个距离就不再受罚。在没参与训练的分组上,三档负例完全排对的比例从 36.4% 涨到 69.7%,而正负例的区分本来就接近满分…

    出现于日报:11-11

  3. 3. Lightfoot: Graph Retrieval-Augmented Generation with Exact, Model-Free Document Deletion · 📖 深度解读

    GraphRAG 上线后有两笔账论文很少算:建图花多少钱,删文档有多麻烦。合同到期或用户要求删除时,要把一篇文档和由它派生的内容都清掉,可混了多篇文档内容的实体摘要很难拆干净。Lightfoot 规定图里每条记录都只由单段的抽取结果算出来,每段只调一次模型,检索不调模型,删文档就是数据库操作,建图成本在三个数据集上也都最低。在 MuSiQue 全量语料上删掉 10% 的文档后,图和只用剩余文档重建的结果完全相同…

    出现于日报:11-11

  4. 4. Beyond Query-Item Matching: Personalized Behavioral Relevance Modeling for E-commerce Search via Rubric-Guided Reinforcement Learning · 📖 深度解读

    电商搜索通常先由相关性模型按 query 和商品的文字匹配把候选分成几档,再交给 CTR 模型排序,于是用户明明偏爱的商品,可能因为被分到低档而很少露出。阿里 1688 的这篇工作把一部分个性化挪到相关性这一步:让大模型读用户当天、近期和长期的搜索与购买记录,判断这件商品有没有行为证据支持,有就在相关性分档里提一级。训练时除了奖励判断对错,还按每条样本单独生成的评分细则,检查推理有没有真的用上这些行为证据…

    出现于日报:11-13

  5. 5. SPARSEUP: Towards Better Recipes for Training Modern Learned Sparse Retrievers

    SPLADE 这类稀疏检索模型换到 ModernBERT 等新底座上常常训不好,RoBERTa 甚至训不起来。作者发现问题出在起点:新底座输出的词表分数大多已经是正数,训练一开始几乎每个词都被激活,文档表示很稠密,区分词与词的梯度也变弱。解决办法有三步:训练前把所有分数统一减去一个常数,这个常数取在一小批文档上估出的分数分布的高分位处;每个输入位置最多只激活 12 个词;把同一个词的大小写、带不带词首空格等不同写法合并…

    出现于日报:11-10

  6. 6. Calibrating Document-Local Boundaries for Contextual Chunk Retrieval

    Late Chunking 先编码整篇文档再切块,上下文保住了,同一文档里相似的文本块却更难区分,比如同一个球员不同赛季的进球记录。在用同文档负例微调的基线 InSeNT 上,排错的问题里有 82.21% 是同文档的另一块得分压过了正确块。阿里 Qwen 团队的 DcLBC 改了两处。一是看正确块和同文档得分最高的错误块差多少,差得越小,这条 query 的分数放大得越多,二是把文本块边界告诉编码阶段的注意力层…

    出现于日报:11-11

  7. 7. CoRA-Bench: Evaluating Evidence Preservation by Context Selectors Under Token Budgets

    长上下文推理前先筛一遍内容能省 token,也可能把答案证据筛掉,而截断、检索、压缩这几类方法一直缺一个统一的比法。CoRA-Bench 在相同 token 预算下比了截断、BM25、向量检索、重排和两种压缩方法,证据召回和答题准确率都在同一份筛选结果上算,结果没有哪种方法通吃。在证据和问题字面重合很少的 NoLiMa 上,向量检索的证据召回是 0.908,BM25 只有 0.467,到了字面线索明显的 BABILong…

    出现于日报:11-11

  8. 8. NIFT-SQL: Customer-Supervised Table Scoring for Enterprise Text-to-SQL Retrieval

    企业文本转 SQL 的第一步是找表,可 schema 里常常只有晦涩的表名和列名,一条查询要用的表少找到一张都不够,通用检索在这里很吃力。NIFT-SQL 用每家客户自己的示例问题单独训练,让一个小 cross-encoder 逐表判断这张表是否必需,再和同样微调过的混合检索融合。在近千张表的 LiveSQLBench-Large 上,把需要的表全部排进前十五位的问题比例,未微调的混合检索是 21.8%…

    出现于日报:11-11

  9. 9. PatternBloom: Empowering Agentic RAG with Externalized RL-Distilled Graph Patterns

    用强化学习训练的 RAG agent 能学会找更好的内容,可同一类问题该按什么步骤推理,每次都要从头推一遍,只检索内容的方法在问题变深时就上不去分。问两部不同电影的导演生在哪国,步骤其实一样:电影、导演、国家。PatternBloom 把高分的推理过程抽象成只保留实体类型的模板(论文叫 Graph Pattern Memory),一共 27 条,放在模型外面,回答时先查模板再沿着模板找证据…

    出现于日报:11-11

  10. 10. Search-by-Answer Bias in Retrieval Models

    向量检索本该按 query 问的关系找段落,可检索模型自带世界知识,这篇发现它会偏向模型本来就知道的答案,冷门或更新的答案可能因此吃亏。作者造了成对的句子,一种只换答案实体,另一种让关系对的句子配替代答案、关系错的句子配熟悉答案。八个检索模型上,模型给某个答案的概率越高,含这个答案的段落得分就越高。在模型本就偏向标准答案的样本里,Qwen3-Embedding-8B 只换答案时有 94.6% 选熟悉的那句,无偏时应是 50%…

    出现于日报:11-11

‹ 上一周 · 下一周 ›