本研究提出了一种新方法，结合大型语言模型（LLM）和领域专家的输入，生成特定领域的基于文档查询（QBD）数据集。这种方法显著降低了人力成本，并提升了QBD搜索性能和检索模型的优化效果。

本研究提出了一种受 $ ext{l}_0$ 启发的稀疏化方法，旨在提高稀疏检索模型在无推理场景下的效率。评估结果表明，该方法在 BEIR 基准测试中表现优异，与主流模型相当，揭示了检索效果与计算效率之间的权衡，具有实际应用价值。

本研究探讨了利用大语言模型（LLMs）生成标注，以降低检索模型训练和评估中的人工成本。结果表明，基于LLMs的标注在跨任务迁移中表现优越，尤其在非领域设置下，其性能超过传统人类标注模型，展现出更好的通用性。

本研究提出了MomentSeeker基准，旨在解决长视频理解中的时刻检索问题，涵盖超过500秒的视频，评估多种检索模型的表现，揭示现有方法的局限性，并通过多模态大语言模型取得显著成果。

本研究介绍了首个德国语方言检索数据集WikiDIR，指出传统词汇方法在高词汇变异情况下的不足，强调开发节省资源的方言特定检索模型的必要性，并证明文档翻译可以缩小方言差距。

本研究提出了一种结合三种检索模型和重新排序器的系统，以解决RIRAG-2025任务中的监管问题。通过提取重要句子并优化答案，生成了更具可读性和连贯性的回答。

近年来，长期记忆对话代理的兴趣增加，使用RAG语言模型快速发展。研究人员生成了一个新的数据集，并开发了一种新的检索模型，证明其在解决基于时间/事件的查询和模糊查询任务上比标准方法更有效。这个新数据集和更先进的RAG代理可以成为记忆增强对话代理的关键基准和垫脚石。

介绍了一个大规模的众包文字冒险游戏作为研究平台，用于研究基于场景的对话。代理可以感知、表情和行动，并与其他代理进行对话。通过训练生成模型和检索模型，模型能够使用潜在世界的状态来调整预测，更好地预测代理行为和对话。分析了成功落地所需的要素和与代理相关的因素。

介绍了一个大规模的众包文字冒险游戏作为研究平台，用于研究基于场景的对话。通过训练生成模型和检索模型，模型能够根据潜在世界的状态来调整预测，从而更好地预测代理行为和对话。分析了成功落地所需的要素和与代理相关的因素。

该研究结合了大型语言模型的检索模型和嵌入式检索模型，解决了零样本检索问题。通过生成增强检索和检索增强生成两种范式，并使用新颖的循环公式，在零样本环境中改进检索和重写阶段，提高了系统召回率和精准度。

本文介绍了一个大规模的法律案例检索数据集LeCaRDv2，解决了现有数据集中的三个问题，并提出了一个有效识别潜在候选项的候选集合策略。在该数据集上评估了多个检索模型，结果表明法律案例检索仍有很大的改进空间。

该文介绍了一种名为 Neural PG-RANK 的新型训练算法，通过实例化一个语言模型为 Plackett-Luce 排序策略，为检索模型的端到端训练提供了一种合理的方法，并有效地将训练目标与下游决策质量相统一。