标签
Turbopuffer 宣布对晚期交互（late interaction）的 beta 支持，使 ColBERT 等模型能够将文本表示为 token 级向量，将快速的单向量 ANN 初步搜索与精确的晚期交互重排序相结合，以提高召回率。
TabRank 提出了一种框架，通过将大型推理模型（DeepSeek-R1）的思维链轨迹蒸馏到紧凑的学生模型中，来训练用于表格检索的推理重排序器，在多个表格检索基准上取得了显著改进。
本文介绍了一种面向RAG的源感知重排序方法，该方法引入了基于领域信息的源可靠性先验，在一个由120份文档组成的健康领域语料库上将Precision@5从0.48提升至0.72，并减少了对抗性文档的检索。
本文提出了一种方法，将LLaMA 3 8B微调为高效的检索增强生成重排序器，利用知识蒸馏和4位量化，在检索指标上比交叉编码器基线提升14-21%，同时降低了推理成本。
提出SkillReranker，一个推理时重排序框架，通过分解任务和技能来构建有向无环执行图，并使用交叉编码器进行评分，从而提升智能体技能选择的任务性能和效率。
本文介绍了一项关于使用人工智能通过自然语言查询查找仿真模型的实验研究，评估了数据表示、嵌入模型和检索策略，发现开源嵌入和重排序方法显著提高了性能。
本文挑战了重排序总是能提升少样本选择性能的假设，提出了一种无需训练的门控重排序方法，该方法利用模型不确定性来决定何时进行重排序，从而将计算成本降低15%至80%，同时略微提升性能。
本文介绍了5ting系统，这是一个用于多轮检索增强生成（RAG）的系统，融合了BGE-M3密集检索、FAISS索引、基于LLM的重排序以及证据约束生成。该系统在SemEval-2026任务8中取得了出色成绩，检索nDCG@5达到0.4719，端到端调和得分为0.5597。
KaLM-Reranker-V1 是一种快速重排序模型，通过采用编码器-解码器架构，结合 Matryoshka 嵌入池化和交叉注意力机制，将查询与段落计算解耦，在 BEIR 上实现了最先进的重排序性能，并在多语言基准测试中取得了具有竞争力的结果。
本文介绍了ADAS，一种无需训练的重排序规则，用于并行掩码扩散解码。它利用注意力对强烈关注不确定位置的token进行折扣，从而在低NFE设置下提升推理和代码任务的性能，且运行时开销极小。
本文提出SF-Re2G方法，通过利用文档结构来增强检索、重排序和生成，从而改进基于文档的对话系统。该方法在中英文数据集上得到验证。
针对噪声检索导致的RAG幻觉问题的实用修复方案：使用交叉编码器重新排序，过滤掉得分低于1.5的文本块，平均相关性从-0.28提升至+3.80。
Garry Tan发布了新的gbrain-evals基准测试，显示ZeroEntropy.dev在重新排名和嵌入成本、速度及检索成功率方面达到SOTA，击败了MemPalace和Vector RAG。
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。
本文将有对排名提示（PRP）重新定义为从噪声比较中进行主动学习，引入了一个具有随机方向预测器的噪声鲁棒框架，以在调用约束下提高排名质量并解决位置偏差问题。
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。