English(EN) Test-Time Optimization of Query Embeddings with Ranking Aware Reward Maximization

新的TTT-Embed框架利用排序奖励提升检索模型性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-12 20:24

研究人员开发了一个名为TTT-Embed的新框架，以在测试时提高密集检索模型的性能。该方法将来自重排器或LLM裁判的排序奖励提炼成一个轻量级向量，然后仅使用标量排序分数对其进行优化。此方法不需要访问冻结模型的权重或真实标签，因此适用于闭源模型。TTT-Embed在各种检索任务中都显示出显著的改进，将nDCG@10的性能提高了+8.36，并表现出对未见查询和任务的泛化能力。 AI

影响提高了信息检索系统的效率和有效性，特别是对于闭源模型。

排序理由学术论文，详细介绍了一种改进检索模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了一种改进检索模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 56 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Jiaxing Wu · 2026-08-12 20:24

具有感知排名的奖励最大化测试时间查询嵌入优化

Dense retrievers rank documents using vector similarity between a frozen encoder and a precomputed index. While test-time ranking rewards from a reranker or LLM judge can improve results, existing methods discard this signal after a single query. Updating the retriever's weights …

本文如何被排名

报道来源 [1]

具有感知排名的奖励最大化测试时间查询嵌入优化

相关实体

相关话题