本文探讨了实时搜索中的信息检索挑战，提出了Uni-Retriever框架，通过知识蒸馏和对比学习实现高效检索。同时，介绍了基于嵌入式检索的电子商务搜索技术，提出了多模态检索系统Que2Eng，显著提升了搜索体验和相关性预测性能。实验结果表明，这些方法在多个平台上有效提高了检索效果。

我们提出了一种多任务框架，通过设计一个双编码器体系结构来检索相关上下文，并引入两个损失约束来捕捉对话上下文和不同候选项之间的微妙关系。实验证明我们的模型在训练领域内外都能取得最先进的检索质量，揭示了其成为同时用于不同候选项选择任务的通用检索器的潜在潜力和泛化能力。