reranking

提出将成对排名提示（PRP）重排序重新构建为从噪声成对比较中进行主动学习，在预算约束下提高每次调用的NDCG@10，并引入一种随机方向预言机，减少每对所需的LLM调用次数。

本文介绍了一个用于 SemEval-2026 任务 8 的系统，该系统采用三阶段流水线，包括使用微调后的 Qwen 模型进行查询重写、混合检索以及交叉编码器重排，以提升多轮检索的性能。

MemReranker 是一个针对智能体记忆检索设计的推理感知重排序模型家族（0.6B/4B），通过结合 LLM 知识蒸馏技术解决语义相似性匹配的局限性，从而提升模型的时间与因果推理能力。

本文介绍了 CoREB，这是一个针对代码搜索的、受数据污染限制的多任务基准测试，具备微调重排序能力，可评估文本到代码、代码到文本以及代码到代码的检索效果。

研究者发现多语言 RAG 重排器存在系统性英语与查询语言偏见，提出 LAURA——一种面向效用的对齐方法，通过跨语言检索答案关键文档显著提升性能。

Sentence Transformers v5.4 引入了对多模态嵌入和重排序的支持，允许用户使用统一的 API 对文本、图像、音频和视频进行编码和比较。