中国联通研究团队在AAAI 2026上发布了HiMo-CLIP模型，解决了长文本图像检索中的语义层级和单调性问题。该模型通过动态特征提取和对齐机制，显著提高了长短文本的检索精度，性能优于现有模型。

语义分块RAG方法通过计算句子间的语义相似度进行智能分块，从而提高检索精度。该方法利用百分位数等技术识别语义断点，将文本划分为连贯的块，并支持多种断点检测方式。

语义分块RAG方法通过计算句子间的语义相似度进行智能分块，提升检索精度。该方法利用百分位数等技术找到语义断点，将文本分割成连贯块，适用于长文档处理和复杂问答系统。

本研究提出了FineCIR框架，旨在解决组合图像检索中因粗粒度修改文本导致的检索不准确问题。通过细粒度数据标注，FineCIR在FashionIQ和CIRR数据集上显著提高了检索精度，优于现有方法。

本研究提出了一种基于大型语言模型的多智能体系统迭代检索方法，通过动态知识优化查询，避免偏见强化。该系统在复杂任务中表现出更高的检索精度和效率，优于传统方法。

本研究提出了HuixiangDou2框架，通过双层检索显著提升大型语言模型在特定领域和新兴主题查询中的检索精度与推理能力。

本研究提出了一种新方法——强化信息检索（Reinforced-IR），旨在解决跨域信息检索的挑战。通过自我增强框架，显著提高了检索精度，实验结果表明其优于现有方法。

北京大学和南洋理工大学的研究团队提出了一种新的通用风格检索任务，通过构建多样化的查询图片数据集和即插即用的框架，解决了传统检索模型无法兼容不同类型查询向量的问题。实验证明该框架能够显著增强现有检索模型的泛化能力，并提升模型的检索精度。

本文探讨了大型语言模型（LLMs）在信息检索和相关性判断中的应用，提出了多种新方法以提高检索精度和生成能力。研究表明，自动化相关判断和缺失信息识别能显著增强检索系统性能，并验证了新框架在多项任务中的优越性。

本文介绍了相似性学习及其在机器学习中的应用，特别是使用Quaterion框架进行微调。Quaterion基于PyTorch Lightning，提供可训练模型、内置损失函数和数据加载器，简化了相似性学习的过程。通过斯坦福汽车数据集，展示了如何分开训练和测试集，以测试模型对新类别的识别能力。经过微调的模型在检索精度上显著提升。