重排序相关 AI 资讯 · AI 热点

7月1日

10:16

10:16

官方账号arXiv cs.AI@Yufei Li, Zaiwei Zhang, Mingfu Liang, Kavosh Asadi, Jay Xu, Jimmy Kim, Chongyang Bai, Jieyi Zhang, Hongye Xie, Prachi Agrawal, Dian Yu, Tianyi Chen, Jean-Pascal Billaud, Garret Buell, YK, Zhu, Sachin Patil, Brooke Bian, Zhou Fang, Kevin Huang, Shiva Sudanagunta, Yuzhen Huang, Emma Lu, Chris O'Brien, Yang Song, Lihong Li, Jacob Tao, Zhicheng Zhu, Chao Li, Gaoxiang Liu, Neil Wu, Zhongyin Hu, Li Han, Loki Chen, Ming Lei, Greg Rehm, Siyuan Song, Tianwei Zhang, Li Li, Ketan Singh, Yavuz Yetim, Ilyas Atishev, Satendra Gera, Ashkan Sadeghi, Rachel Yan, Nikko Mizutani, Shuaiwen Wang, Song Yang, Zhijing Li, Jiang Liu, Mengying Sun, Fei Tian, Xiaohan Wei, Chonglin Sun, Parish Aggarwal, Kaushik Rangadurai, Zhi Hua, Frank Shyu, Ruchit Sharma, Liyuan Li, Shike Mei, Wenlin Chen, Santanu Kolay, Ben Schulte, Deepak Chandra, Adam, Song, Sandeep Pandey, Xi Liu, Hamed Firooz, Luke Simon

GR2是一个端到端的生成式推理重排序框架，面向工业推荐系统的重排序阶段。它采用语义ID分词器（唯一性≥99%）、从更强教师模型进行推理蒸馏，以及基于可验证奖励的强化学习。在工业规模流量上，GR2相比基线实现R@1提升18.7%、R@3提升7.1%、N@3提升9.6%。论文还发现奖励设计至关重要，LLM可能通过保持输入顺序或利用位置偏差来“欺骗”奖励。

论文 GR2 推荐系统重排序推理模型强化学习

推荐理由：这篇论文提出了GR2，在工业重排序上拿下了18.7%的召回提升，还解决了LLM作弊奖励的问题，做推荐系统的可以看看。

6月16日

09:43

09:43

官方账号arXiv cs.AI@Molham Mohamed, Ali Hamdi

针对叙事问答中单次解码易产生不一致答案的问题，提出自一致性重排序框架。该方法先生成多个候选答案，再根据语义一致性选择最终输出。在NarrativeQA数据集上使用FLAN-T5（Base/Small）和Pegasus-Large进行评测。FLAN-T5-Base从82.32%提升至86.66%（+4.34%），Pegasus-Large从72.50%提升至87.07%（+14.57%）。

论文 NarrativeQA FLAN-T5 Pegasus-Large 叙事问答重排序

推荐理由：一篇提升叙事问答准确率的新方法，用自一致性重排序让多个模型都涨分，Pegasus-Large提升超14个百分点，简单有效。

5月27日

07:14

07:14

官方一手marktechpost@Sana Hassan

本文教程介绍了如何使用 ZeroEntropy 的 Zerank-2 重排序器（基于 Qwen3 的 4B 交叉编码器）来提升检索质量。教程从设置运行环境、加载模型开始，逐步讲解如何对查询-文档对进行评分。接着，从简单的成对评分过渡到实用的两阶段检索-重排序管道：先用快速的双编码器检索候选文档，再用 Zerank-2 进行精排。该方案能显著提高检索精度，适合需要高准确率的信息检索场景。

AI模型检索增强生成重排序交叉编码器 Qwen3 ZeroEntropy

推荐理由：做 RAG 或搜索系统的开发者，这个教程直接教你用 Zerank-2 搭建两阶段管道，从环境配置到实战代码都有，值得跟着跑一遍。