本文提出生成检索与对齐模型（GRAM），旨在解决传统检索方法无法有效利用世界知识的问题。通过联合训练查询与产品文本，GRAM生成共享文本标识码，显著提升检索效率和查询产品之间的联系，优于传统及最新生成检索模型。

本研究提出了一种优化的生成检索框架，旨在解决大型语言模型的幻觉问题。通过结合知识蒸馏推理和决策代理，显著提升了检索精度，并在支付宝的实际应用中验证了其有效性。

本研究提出了GENIUS，一个通用生成检索框架，旨在提升生成检索模型的性能。通过模态解耦和查询增强，GENIUS在多个基准测试中表现出色，具备高效的检索速度和竞争力的性能。

本文提出了一种新型单阶段生成检索模型，利用Amazon数据集进行训练，显著提升了推荐效果和泛化能力，特别是在“冷启动”物品推荐方面。研究探讨了生成式检索的关键发展、挑战及未来方向，并提出多种创新框架以解决电子商务搜索中的问题，验证了其在多个数据集上的优越性能。