密集检索是获取相关背景或世界知识的方法，基于命题的检索在密集检索中优于传统方法，并改进下游问答任务的性能。研究探讨了短语检索作为粗粒度检索的基础，提出了短语过滤和矢量量化等方法。使用密集向量表示实现开放领域问答，超越传统方法。改进的答案跨度评分技术提高了问题答案准确性。研究解决了在密集检索模型中表现不佳的问题，并提出了两种解决方案。介绍了基于预训练语言模型的密集检索的研究进展，提出了一种新的学习框架用于长文检索。改进的密集检索方法在任务特定、异构且严格的检索中有所改进，提出了一种统一的信息检索框架。通过桥接训练提高密集短语检索的性能，利用密集检索模型直接选择适当响应的解决方案。

SimLM是一种用于稠密段落检索的预训练方法，通过瓶颈架构将段落信息压缩成密集向量，并使用替换的语言建模目标来提高样本效率。实验证明，SimLM在多个大规模段落检索数据集上比强基线和ColBERTv2等方法都有显著改进。