研究人员开发了一个用于多轮对话的三阶段检索系统，提高了信息检索任务的准确性。该系统首先使用微调的 Qwen 2.5 7B 模型优化上下文相关的查询，生成独立的问句。然后，它采用结合了 BM25 和密集向量检索的混合搜索，并与倒数排名融合（Reciprocal Rank Fusion）相结合，最后由一个交叉编码器模型对结果进行重新排序以提高精度。这种方法在最近的 SemEval 任务中取得了显著的 nDCG@5 分数，优于许多其他系统。 AI
影响 通过结合先进的查询重写、混合搜索和交叉编码器重排序，提高了多轮对话搜索的准确性。
排序理由 学术论文，详细介绍了用于基准任务的新颖系统。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
We describe our system for SemEval-2026 Task 8 (MTRAGEval), participating in Task A (Retrieval) across four English-language domains. Our approach employs a three-stage pipeline: (1) query rewriting via a LoRA-fine-tuned Qwen 2.5 7B model that transforms context-dependent follow-…
<blockquote> <p><em>This article was originally published on <a href="https://dingjiu1989-hue.github.io/en/ai/rag-retrieval-optimization.html" rel="noopener noreferrer">AI Study Room</a>. For the full version with working code examples and related articles, visit the original pos…