BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

LLM-QE: Improving Query Expansion by Aligning Large Language Models with Ranking Preferences

💡 原文英文，约100词，阅读约需1分钟。
📝

内容提要

本研究提出了一种新方法LLM-QE，通过大型语言模型生成基于文档的查询扩展，显著提升信息检索性能。实验结果表明，LLM-QE在Contriever模型上实现了超过8%的性能提升，并通过引入基于答案的奖励模型，进一步提高了检索器的训练效果超过5%。

🏷️

标签

Contriever LLM-QE models 信息检索 奖励模型 查询扩展
➡️

继续阅读

  1. Kimi K3 模型结构（5）：宽度维度，Stable LatentMoE
    Kimi K3模型采用Stable LatentMoE作为FFN，基于NVIDIA LatentMoE改进，将输入压缩至半宽latent空间，增加RMSN...
  2. Claude Fable 5.1 对比 Fable 5：在实际工作中，我无法区分它们。
    Anthropic launched Claude Fable 5.1 this week, calling it “our most advanced ...
  3. 在代理式RAG中建立信任始于证据
    Basic retrieval-augmented generation (RAG) follows a straightforward pattern....
  4. Kimi K3 模型结构（3）：序列维度，Gated MLA 与 3:1 混合
    本文介绍Kimi K3模型结构：采用3:1混合，每四层含一层Gated MLA（无位置编码、满秩sigmoid门），其余为KDA层。MLA低秩压缩KV至5...
  5. 内容创作者失误
    美网公开赛上，网红在包厢内喧哗、用闪光灯拍照干扰比赛，引发争议。品牌邀请网红推广活动，但缺乏行为规范，导致负面效果。类似地，Callaway高尔夫因与网红...
  6. Kimi K3 模型结构（2）：序列维度（下），chunkwise 并行与下界衰减
    本文介绍Kimi K3模型序列维度的chunkwise并行算法：将序列分块，块间递推状态、块内用矩阵乘并行计算。K3将每步log-decay加−5下界，使...
👤 个人中心
在公众号发送验证码完成验证