研究人员通过采用模型合并技术，为对话式信息检索引入了一种新颖的无需训练的策略。该方法旨在创建一个单一的检索模型，使其能够在即席搜索和对话式搜索环境中有效运行，而无需额外的微调。使用线性合并和非线性参数合并（如 Model Soup 和 Slerp）在标准数据集上的实验表明，对话式检索器的即席搜索能力得到了显著提高。该方法还提高了跨任务特定数据集的泛化能力，在零样本条件下 NDCG@3 提高了高达 15%。 AI
影响 这种模型合并技术可能带来更高效、更多功能的检索系统，减少昂贵的重新训练的需要。
排序理由 该条目是一篇提交给 arXiv 的研究论文，详细介绍了一种改进信息检索的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- Litmaps
- Model Soup
- ScienceCast
- scite Smart Citations
- slerp
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
