Relevance(相关性)是信息检索与 RAG 系统中衡量返回内容与查询需求匹配程度的核心概念,如今正从传统的排序指标演变为贯穿检索、记忆与智能体决策的基础机制。随着语义检索和 LLM 应用的普及,如何判定“真正相关”成为工程与研究的交汇点。
Relevance 的近期研究进展
Relevance 相关的评测与争议
Kaggle 在 Bench Summit 上系统讨论了基准测试失效的四大原因,其中一个关键问题是基准与真实用户需求的相关性脱节——评测集得分高不等于实际检索或生成质量好。这让相关性本身的定义和度量成为被检视的对象。
学术侧的其他工作也在扩展相关性的边界:FLEX 提出基于 Fisher LDA 的多标签分类器全局解释方法,UkrMime 用视觉语言模型检测梗图中的说服技巧,SciFigAlign 则研究视觉与手稿证据的对齐评估。这些研究虽然领域不同,但都涉及“什么算相关证据”这一共同问题。
当前焦点与观察点
综合来看,Relevance 领域的三个趋势值得关注:一是判定方式从硬阈值走向概率化和多因素融合;二是在智能体架构中,相关性被前置为搜索与记忆的主动引导机制,而非被动排序结果;三是评测层面的反思加剧——单一相关性指标难以反映真实效用。后续可观察概率化相关性决策能否成为检索系统的标配,以及多样性、时效性等维度是否会以标准化参数的形式进入主流向量数据库。