LLM辅助重排序在推荐系统中落地细微目标的研究
基于YouTube真实轨迹的实验表明,LLM辅助重排序在提升推荐相关性的同时,可能加剧对极端或阴谋论内容的曝光。 使用三个模型的零样本提示与嵌入基线对比,轻量级提示约束能减少所有模型的问题内容曝光,且重排序器相关性仍高于平台基线。 研究强调需超越准确率评估LLM辅助个性化,并将提示设计视为价值选择。
基于YouTube真实轨迹的实验表明,LLM辅助重排序在提升推荐相关性的同时,可能加剧对极端或阴谋论内容的曝光。 使用三个模型的零样本提示与嵌入基线对比,轻量级提示约束能减少所有模型的问题内容曝光,且重排序器相关性仍高于平台基线。 研究强调需超越准确率评估LLM辅助个性化,并将提示设计视为价值选择。
论文提出价值语义层(VSL),将值语义外化为持久化、规划器可见的基础设施,以支持自主 LLM 智能体。 VSL 引入可复用的值语义类型(VST),涵盖分布、关系、过程、定量及策略语义,使规划器能验证操作并指导分析流程。 文章旨在构建 AI 原生的分析系统语义基础设施,弥补现有元数据系统在操作语义上的不足。
研究者提出 MSPA 监督降维算子,将 1580 波段光谱压缩 96%,在 8963 条光谱和 5 种植物系统上验证。 该算子结合吸收深度、局部奇异特征模式与 Fisher 加权子空间,使平均 macro-F1 从 0.7756 提升至 0.8520,推理速度提升 126.5 倍。
KnowledgeClaw 提出基于全模态超图的智能体系统,在 OmniKE-Bench 六个任务中全面超越 30 个基线模型,总体 OKE 得分为 55.9。 该基准包含 1,829 个无模型干扰项,覆盖 3,960 个真实文件的五种模态。KnowledgeClaw 比最强基线高出 14.6 分,软件与数据已公开。
全球银行创新实验室对 10 个 Agentic AI 平台进行九维评估,分数稳定分为三层,并揭示负载特异性优势。 Cronbach's α 高达 0.98 与排名相关性≥0.93,显示演示式评分存在光环效应,建议采用分层协议与可靠性指标。
研究显示,在每查询平均 0.5 个片段的低预算限制下,基于置信度的分配策略在 7 种测试场景中均优于最佳固定策略,准确率提升 0.010 至 0.075。 在高预算(≥1 个片段)场景下,收益主要出现在 Wikipedia 数据中,能避免检索干扰已知答案,Qwen3-8B 在 TriviaQA 上提升尤为显著;但置信度在区分检索深度时作用有限,且计入探测延迟后收益大幅缩减。
研究引入 HorizonBench 及数据生成器,评测 25 个前沿模型在偏好演变中的表现。 该基准包含 360 名用户的 4245 个问题,结合 13 周收集的人工纵向数据集。模型准确率达 52.8% 时,常错误选择过时偏好;检索与记忆方法均无法恢复丢失的准确率。
HYPER框架通过假设引导将RAG从主题导向转为证据导向,无需训练即可提升准确率。 该框架将检索分解为支持、区分和特征三种证据角色,引导检索靠近决策边界。 在MedQA和MMLU-Med上,HYPER比Simple RAG分别提升5.9和3.6分。
研究人员提出多元素协同交互(MECI)框架以解决多模态实体链接中的元素主导问题。该框架结合多视图专家网络与层次化多模态交互模块,并利用大语言模型进行零样本重排序。 在 WikiDiverse 等三个基准测试中,MECI 均优于现有最先进方法。其 Hits@1 指标分别提升了 1.95%、7.30% 和 2.31%。
MIRAGE 是一个无需训练的框架,通过相关性感知的双路径推理器(CDR)解决多跳问答中知识注入下的来源信任错误,在多个基准上刷新了 SOTA 记录。 该框架通过基于 P(True) 的置信度路由机制处理冲突知识与全新信息,并辅以轻量级模板引导修正器,在四个 LLM 家族和两个基准上验证了其有效性。
提出一种整合 RoBERTa-LoRA、FAISS 检索与 LLM 推理的混合 RAG 框架,用于自动识别垃圾评论。 微调 5 个 epoch 即可实现跨域迁移,跨域评估 F1 分数达 0.90,优于 OpenAI Detector 基线(F1 = 0.82)。 该架构提供基于证据的可解释性,并保持统计显著的精确度提升。
FutureBench 利用时间戳问题评估 LLM 知识-上下文冲突,发现 Verify 提示词在截止前事件中使 5 个模型错误答案采纳率全面上升。 该框架覆盖 3629 个问题和 6 个模型,针对 902 个截止后问题的对比显示,Adversarial-Aware 提示词可恢复 82.5-98.9% 的被取代答案。 支持在固定队列上重复评估并扩展至新事件,以适应模型更新。
AWS 官方在 Amazon Aurora PostgreSQL 中展示了一套 RAG 客服机器人设计模式,专注于实现 AI 可解释性。方案利用 pgvector 进行向量检索,通过 Aurora ML 直接在 SQL 层生成向量嵌入,并使用 Amazon Bedrock Guardrails 验证回答的接地能力。
研究表明,将视觉文档理解的证据归属接口从坐标输出改为语言引用接口,可显著提升证据召回率并降低幻觉率。 在CiteVQA子集上,证据召回率提升至26至47之间,幻觉率减半且答案质量变化不大;结合GRPO训练框架,8B骨干模型的严格归属准确率从22.4提升至33.8。 该研究为无需坐标接口及昂贵区域级监督即可改进归属提供了实用路径。
DeepSeek-V4-Flash 在启用推理后,中毒防护中的 Cordon Rate 从 0.205 降至 0.075,Leakage Rate 从 0.235 降至 0.140。尽管攻击成功率从 0.233 升至 0.298,且中毒检测率从 0.965 降至 0.665,Qwen3.6-Plus 也呈现出相同的定性模式。结果表明,检测中毒上下文与实际抵御其影响是 RAG 安全中的两个独立维度。
summary_zh: 该研究将检索增强生成视为上下文优化过程,证明单层线性自注意力可执行统一线性化 RAG 目标的梯度下降步。 方法保持检索器与骨干冻结,仅预测生成端证据使用接口的上下文条件更新。
研究团队提出无评论家(critic-free)策略优化框架 RICE-PO,用于训练基于推理的检索智能体。 该框架通过选择高不确定性可执行动作作为锚点,利用检索指标评估局部反事实分支,仅当推理对动作影响显著且未来残差效应稳定时,才将信用传播至潜在推理步骤。 实验显示,在 BRIGHT 和 BEIR 基准上,RICE-PO 在同一检索器设置下持续优于基于提示的智能体和基于群体的强化学习基线。
研究者提出的 NONSENSE 黑盒探针构造无意义字符串,在 5 个数据集和 3 种单向量检索器上频繁获得高分甚至排名第一。 这些高分字符串并非相关文档,证明现有稠密检索模型的相似度分数与语义证据脱节。 该结果强调了评估检索模型时,不仅要看相关性,更要看相似度分数反映语义证据的可靠性。
FieldGuide 作为面向智能体的语料地图,在 5 项新闻文档探索任务中较 raw-file 访问减少 27% token 和 41% 耗时,较 RAG 减少 38% token 和 21% 耗时。
现有 root cause analysis 评测使用 top@k accuracy 混淆了检索失败与重排序失败,研究通过分解方法审计四个基准并发现统计基线在工业 CPS 基准中 79-100% 时间误排真实原因。
研究提出 CEMMKG 框架,通过多粒度设计在局部和全局范围内为图像补充文本上下文,解决现有 MMKG 处理方法中图文语义鸿沟导致的 GraphRAG 性能瓶颈。 局部上下文不仅包含图像周围文本,还引入语义相关句子;全局上下文提供全文摘要。多数据集实验表明,该框架能有效利用上下文信息提升基于 MMKG 的 RAG 性能,且适用于不同的 RAG 方法。
提出 StitchRAG 框架,通过动态压缩检索段落并利用文本扩散连接锚点句,构建紧凑且高信息密度的 RAG 上下文。 该框架将信息保留与计算成本转化为效用最大化问题以调整大小缩减比例,在五个开放域 QA 基准中持续优于多种多步及压缩基线。
DealRank 提出一种基于检索器排名的轮询分发调度策略,优化列表式 LLM 重排器的调用效率。 实验显示,DealRank 在 6 个 LLM 上平均 nDCG@10 仅落后最佳调度 0.1 点,速度比 BlitzRank 快 1.1-1.4 倍,修复调用率从 59% 降至 14%。 该策略在保持重排质量的同时显著降低了延迟,适用于千级候选文档场景。
研究通过蒸馏38,397份日本专利局检索报告训练模型,使中位引用包含集从768缩减至50以下。 采用行级引用保留缩减信用学习,在保持高召回率的同时显著缩小需人工筛查的文档集规模。 方法在NLPIR 2026会议录用,展示了自动化专家策略生成在专利检索中的实际应用价值。
TUSI-Bench 发布波斯法律 RAG 基准,含 1,999 题 QA 和约 500 题司法考试选择题。 基于 7,261 条法律条文构建知识图谱,图检索相比标准基线提升召回率达 8 个百分点。 为波斯语法律推理提供标准化评估资源,促进结构化法律智能研究。
研究指出视觉语言模型在检索增强中存在“接地错觉”,即正确答案未必基于图像证据。 基于 COCO 等数据集构建的 GIB-200K 基准显示,LLaVA 存在知识惯性(文本权重高于图像),而 InternVL3 偏好图像;干净输入准确率虽达 92.5%-94.2%,但在恶劣条件下骤降至 41.3%-59.9%。
在检索增强视觉-语言-动作模型中,基于闭环效用选择演示的池在760集配对回合中成功率达66.4%,视觉相似度选择仅达55.7%。 效用比相似度高出10.8个百分点,且在19个任务中的18个未平局任务上表现更优;相似度选择与随机选择无显著差异(+0.1个百分点)。 通过效用筛选的5演示池比预置20演示池高7.0个百分点,效用排序检索在完整池内高4.5个百分点。
提出智能体 Retriever-Perceiver-Reasoner 框架优化多模态科学文档推理,基于 7B/8B 模型在四个基准上平均得分 69.9/75.0,超越最强基线 4.0/9.1 分。 通过诊断引导共进化及 RPF/LEF 反馈机制实现检索与潜在指导的针对性优化。
研究人员提出 KVUse 框架,通过将用户画像存储为可复用的 KV 缓存而非文本,解决了 LLM 推荐系统中重复预填充导致的性能瓶颈。 该方法利用自蒸馏训练的 LoRA 写入器生成 KV,并配合自定义调度器隐藏传输延迟。在 Llama-3.1-8B-Instruct 及 InstructRec 数据集测试中,系统吞吐量提升 4.0x-4.5x。
极简 RAG 记忆 BRIDGE 在 LongMemEval-S 和 BEAM 上达到 SOTA 水平,EverMemBench 上优于基线 5.7-6.3 分。 BRIDGE 每次查询仅需约 5-7K reader-prompt tokens,且仅需单次 LLM 调用。 研究指出应评估记忆对智能体行动的支持能力,而非仅看检索效果。
LoCaR 提出一种免训练的局部文本到图像检索框架,利用冻结的视觉语言模型和 SAM2 生成独立提案以增强局部表示。 该方法引入 LOCFG 基准测试,结果显示优化区域表示是性能提升的主要来源。
Self-EvolveRec 提出自进化框架,整合用户模拟器与模型诊断工具建立定向反馈循环。 该框架引入诊断工具与模型共进化策略,使评估标准随推荐架构动态适应。 实验显示其在推荐性能与用户满意度上显著优于最先进 NAS 基线,代码已开源。
该综述针对数据智能体术语混乱的问题,提出首个六级层级分类法,将自主性从手动操作(L0)划分为生成式完全自主(L5)。 借鉴SAE J3016驾驶自动化标准,按自主性递增梳理数据管理、准备与分析研究,重点解析L2至L3从程序化执行向自主编排的技术鸿沟。 该框架明确了能力边界与责任分配,为构建前瞻性生成式数据智能体提供了路线图,并附带代码库。
MultiSearch 提出了一种基于强化学习(RL)的框架,通过多查询并行检索和显式信息合并,解决了单查询检索中信息覆盖不足和噪声高的问题。 该框架在每个推理步骤生成多视角查询,并行获取外部信息以提升信噪比(SNR),并设计了多进程奖励机制优化检索与整合。 在七个基准测试中,MultiSearch 优于基线方法,提升了检索信噪比及问答任务的推理准确性。
GAAMA通过以话题为中心组织对话,结合LLM提炼事实与概念,在LoCoMo10基准上取得79.1%最高平均分,且GRAFT机制能离线修复检索不足。 该方法定义了四种节点类型与五种结构边,利用话题概念提供跨切路径避免超大节点;检索融合最近邻相似度搜索与基于边类型的个性化PageRank。 概念链接事实比实体关系三元组提升3.0个百分点奖励,GRAFT将接地答案记录为新事实,使后续查询直接命中。
研究团队提出ESGAgent分层多智能体系统及基于310份报告的综合基准测试。 该智能体结合检索增强与网页搜索工具,在原子问答任务上达到84.15%的平均准确率。 此基准测试为评估高利害垂直领域的智能体能力提供了关键测试平台。
在 Amazon Books 和 MovieTV 数据集上,LLM 排序器对协同证据的分配敏感,用户级证据互换会降低排序性能,而无关文本使 Hit@1 从 44.77% 降至 38.70%。
CapCover Filter 是一种利用球面帽几何结构总结嵌入向量的数据,可支持任意相似度阈值且无假阴性。 在五个真实数据集上,余弦相似度阈值为 0.95 时,该方法消除约 20%-100% 的索引访问,内存占用仅为 FP32 的 2%。 部署在 FAISS 平面索引前,查询吞吐量最高提升 382%,平均提升约 116%,且结果范围一致。
研究提出 LightAlign 方法,利用少量成对数据实现冻结编码器间的跨模态对齐。在 3D CT 任务中,LightAlign 以 200 个数据对超越 CT-CLIP(0.754 vs 0.733 AUROC),并在 CheXpert 上以约 5% 的数据量达到 0.862 AUROC,显著降低医疗影像分析对标注数据的依赖。
提出跨域离线强化学习方法 RIFT,通过共享隐空间编码源/目标转移对,利用最优传输配对低高奖励源转移并拟合仿射场,以扩充目标数据集。 实验在受重力、形态学和摩擦力变化的密集奖励运动任务上,显示 RIFT 相比现有基线提升整体性能。