English(EN) Task-Adaptive Embedding Refinement via Test-time LLM Guidance

LLM指导细化文本嵌入，以提高零样本任务性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-12 17:58

研究人员开发了一种方法，用于提高文本嵌入模型在零样本搜索和分类任务中的性能。他们的方法使用大型语言模型（LLM）根据少量文档的反馈实时细化查询嵌入。这种LLM指导的细化在各种基准测试中持续提升性能，在文献搜索和意图检测等任务中提高了高达25%。该技术使得嵌入模型在不适合完整LLM流程的场景中更具适应性和实用性。 AI

影响增强了嵌入模型在需要实时适应的任务中的效用，可能减少对更复杂LLM流程的依赖。

排序理由该集群包含一篇学术论文，详细介绍了一种改进文本嵌入模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 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; 该集群包含一篇学术论文，详细介绍了一种改进文本嵌入模型的新方法。[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, product; 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: 149 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.CL TIER_1 English(EN) · Assaf Toledo · 2026-05-12 17:58

通过测试时LLM指导实现任务自适应嵌入细化

We explore the effectiveness of an LLM-guided query refinement paradigm for extending the usability of embedding models to challenging zero-shot search and classification tasks. Our approach refines the embedding representation of a user query using feedback from a generative LLM…

本文如何被排名

报道来源 [1]

通过测试时LLM指导实现任务自适应嵌入细化

相关实体

相关话题