系统对比 LLM 重写代码检索的三层抽象与在线离线模式

冻结文本骨干与多模态编码器，仅训练极小投影器即可扩展出统一嵌入空间

利用扩散模型的masked位置预测实现高效多表示检索，超越传统单向量方法

让LLM直接用grep/bash搜索原始语料，在多个基准上击败传统稀疏/密集检索器

BRIGHT-PRO基准与RTriever-Synth,训出4B推理检索器。

构建方法级演进图谱,为 AI 智能体提供可推理的研究基础设施

系统性地剖析推荐系统公平性评估指标的理论、实证与概念三类局限，并提出新测量和改进方法

构建近万真实智能体的大规模检索基准，用执行性能定义相关性。

释放5.7万张AI/ML论文示意图并配以多层级文档上下文的可审计数据集。

极性反转合成对偶指令，305M 模型在 FollowIR 提升 45%。

首次系统性揭示代码混合查询使现代检索器全面退化的鲁棒性瓶颈

首个系统性研究 LLM 稠密检索器在 30 个数据集上泛化与抗扰动鲁棒性的工作，提出 specialization tax 概念。

把网页分块重构为基于稳定ID的语义规划问题,大幅降低输出token与成本。

提出分层采样策略，通过保留教师分数分布多样性提升蒸馏检索泛化能力

揭示多语种嵌入模型的英语偏置问题，提出 Max@R 指标和 JSD+InfoNCE 联合训练策略

提出LRAT框架，利用AI智能体的搜索浏览轨迹数据训练检索模型，实现智能体对齐的信息检索

以验证为中心的三阶段设计，让 8B 深度研究智能体逼近 30B 级别性能

免训练的层次化提示压缩框架，将推理延迟降低26.4倍同时保持高精度检索

通过上下文化和去重模块改进Search-R1，EM提升5.6%，检索轮次减少10.5%

通过压缩LLM潜在响应生成输出空间嵌入，无需标注数据