研究人员推出了一种新颖的FLINT（Fixed-budget Late INTeraction，固定预算的后期交互）架构，旨在提高多向量检索模型的可扩展性。FLINT采用基于注意力的池化技术，用固定数量的嵌入向量来表示查询和文档，并对称地应用于双方。与现有的令牌级匹配方法相比，这种方法显著降低了存储需求并加快了检索速度。在包括复杂查询在内的各种基准测试中，FLINT都展现出相当或更优的排名效果，同时还实现了索引大小和端到端检索时间的实质性缩减。 AI
影响 FLINT的效率提升可能使先进的检索技术在大型应用中得到更广泛的应用。
排序理由 该集群描述了一篇介绍信息检索模型新颖架构的最新研究论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.27273v1 Announce Type: cross Abstract: Multi-vector retrieval models such as ColBERT often outperform single-vector models of comparable scale by matching queries and documents at the token level. However, retaining a vector for every token substantially increases stor…
Multi-vector retrieval models such as ColBERT often outperform single-vector models of comparable scale by matching queries and documents at the token level. However, retaining a vector for every token substantially increases storage requirements and slows retrieval compared to s…