Paper page - 重新思考推理密集型检索：评估并提升智能体搜索系统中的检索器

来源: https://huggingface.co/papers/2605.04018

摘要

研究人员引入了 BRIGHT-Pro，一个经过扩展的专家标注的推理密集型检索基准，以及 RTriever-Synth，一个方面分解的合成语料库，以通过智能体搜索评估和 LoRA 微调来提高检索器性能。

推理密集型检索 (https://huggingface.co/papers?q=Reasoning-intensive%20retrieval)旨在呈现支持下游推理的证据，而不仅仅是匹配主题相似性。这一能力对于智能体搜索系统 (https://huggingface.co/papers?q=agentic%20search%20systems) 日益重要，在这些系统中，检索器必须在迭代搜索和合成过程中提供互补的证据。然而，现有的工作在评估和训练方面都受到限制：诸如 BRIGHT (https://huggingface.co/papers?q=BRIGHT) 之类的基准提供狭窄的黄金标准集，并孤立地评估检索器，而合成训练语料库通常优化单篇文档的相关性，而不是证据组合构建 (https://huggingface.co/papers?q=evidence%20portfolio%20construction)。我们引入了 BRIGHT-Pro (https://huggingface.co/papers?q=BRIGHT-Pro)，这是一个专家标注的基准，它通过多方面黄金证据扩展每个查询，并在静态和智能体搜索协议下评估检索器。我们进一步构建了 RTriever-Synth (https://huggingface.co/papers?q=RTriever-Synth)，一个方面分解的合成语料库 (https://huggingface.co/papers?q=aspect-decomposed%20synthetic%20corpus)，它生成互补的正样本和正样本条件的难负样本，并使用它对源自 Qwen3-Embedding-4B (https://huggingface.co/papers?q=Qwen3-Embedding-4B) 的 RTriever-4B (https://huggingface.co/papers?q=RTriever-4B) 进行 LoRA 微调。对词汇型、通用型和推理密集型检索器的实验表明，方面感知和智能体评估揭示了标准指标所隐藏的行为，而 RTriever-4B (https://huggingface.co/papers?q=RTriever-4B) 相比其基础模型有了显著提升。

查看 arXiv 页面 (https://arxiv.org/abs/2605.04018) 查看 PDF (https://arxiv.org/pdf/2605.04018) GitHub11 (https://github.com/yale-nlp/Bright-Pro) 添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2605.04018)

引用此论文的模型0

无链接到此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2605.04018 以从此页面链接它。

引用此论文的数据集0

无链接到此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2605.04018 以从此页面链接它。

引用此论文的 Spaces0

无链接到此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2605.04018 以从此页面链接它。

包含此论文的合集5

浏览包含此论文的 5 个合集 (https://huggingface.co/collections?paper=2605.04018)