京东的年轻算法工程师通过实验和技术创新，解决了广告图像评估和查询扩展等问题。他们运用多模型组合和强化学习，提升了AI的理解和生成效率，实现了高效的广告图制作和精准的用户需求匹配。这些突破源于深入分析问题和跨领域知识的应用，体现了技术人员的成长与探索精神。

本研究提出了一种新方法LLM-QE，利用大型语言模型进行查询扩展，以提升密集检索模型的性能。实验结果表明，LLM-QE在Contriever模型上性能提升超过8%，并通过答案奖励模型生成更相关的信息，训练效果提升超过5%。

本研究提出了一种基于知识的查询扩展框架，结合结构化文档关系和大语言模型，解决了现有方法未充分考虑文档关系的问题。实验结果显示，该框架在文本和关系半结构化检索方面优于现有方法，应用价值高。

这项研究介绍了一种新的方法，增强型查询摘要（AQS），用于生成相关和准确的摘要。该方法通过查询扩展和分层聚类展示了在数据丰富环境中的潜力，为主题聚焦摘要技术领域中的更广泛应用和可访问性铺平了道路。

本文介绍了One-Shot Fine-Grained Instance Retrieval (OSFGIR)检索任务和辅助数据集(OSFGIR-378K dataset)。提出了一个由粗糙检索、细粒度检索和查询扩展组成的检索框架，通过OSFGIR方法，在没有完整训练集的情况下进行大规模细粒度物体识别，实验证明比现有方法更准确和有效。

本文提出了LLMQA框架，结合了检索和生成的证据优势，通过查询扩展、文档选择和答案生成三个步骤来进行ODQA。实验结果表明，LLMQA在答案准确性和证据质量方面表现出色，具有推进ODQA研究和应用的潜力。

本文提出了LLMQA框架，将ODQA过程分为查询扩展、文档选择和答案生成三个步骤，结合了检索和生成的证据。实验结果表明，LLMQA在答案准确性和证据质量方面表现出色，具有推进ODQA研究和应用的潜力。