ELVA采用排名驱动的强化学习框架，有效缓解多模态检索中的粒度盲区，提升13.1%的MRBench性能。
Yuhan Liu, Pei Fu, Hang Li 等
ScholarQuest基于分类体系，涵盖1000+计算机科学主题，采用多样化查询设计，构建自动化答案，提升学术搜索的系统评估能力。
Tingyue Pan, Mingyue Cheng, Daoyu Wang 等
本研究提出RecLoop框架，比较生成式推荐与传统推荐在信息茧房中的表现，发现生成式推荐在曝光多样性方面表现优越，但仍受反馈循环影响。
Jiyuan Yang, Gengxin Sun, Mengqi Zhang 等
提出随机排序风险的理论框架，基于DCG变化分析最坏情况偏差，验证实验显示预测偏差与实际接近。
Debasis Ganguly
提出CQC-RAG，通过跨查询一致性提升检索增强生成的鲁棒性，实验在TriviaQA和MuSiQue上分别超越基线4.76和9.12个百分点。
Yanjia Sun, Sifan Liu, Jie Shao
miniReranker通过视觉缓存重用和交互稀疏技术，在多模态重排序中实现了<1%的运行时间，性能保持在96%以上。
Yingqi Fan, Xuan Lu, Anhao Zhao 等
提出SkillResolve-Bench，通过661对技能对比和7,982候选池，有效衡量并减少相同能力模糊带来的执行风险，提升召回率和安全性。
Jiandong Ding
Popcorn基准结合标题对齐的全片/预告嵌入与缩略图特征，评估多模态电影推荐中的视觉证据效果。
Ali Tourani, Fatemeh Nazary, Yashar Deldjoo 等
提出基于约束优势集的多模态长文问答检索方法，在VisDoMBench上达成66.99的最新SOTA，显著优于传统相似度排名。
Ambuj Mehrish, Sebatiano Vascon
提出非对称图架构Shallow-RHS，用于新内容冷启动推荐，依赖内容特征映射到协同过滤空间。
Anh Truong, John Trenkle, Yuanbo Chen 等
StructuredSemanticSearch通过表格驱动模型搜索，597条查询实验覆盖率提升
Zhengyuan Dong, Renée J. Miller
通过蒸馏对齐密集检索器与LLM效用，UAE在QASPER基准上提升Recall@1达30.59%。
Rajinder Sandhu, Di Mu, Cheng Chang 等
研究通过QPP选择RAG管道中最佳查询变体，提升生成质量。
Negar Arabzadeh, Andrew Drozdov, Michael Bendersky 等
提出TAWin方法，通过WPAUC优化RL推荐系统，提升Top-K性能。
Wentao Shi, Qifan Wang, Chen Chen 等
提出语义与协同视图的互补融合方法，避免全局对齐带来的局限，提升推荐系统性能。
Maolin Wang, Dongze Wu, Jianing Zhou 等
ResRank通过残差段落压缩和端到端联合训练，提升信息检索的效率和效果。
Xiaojie Ke, Shuai Zhang, Liansheng Sun 等
结合ECLASS语义的密集检索方法在电子元件语义搜索中实现94.3%的HitRate@5。
Nico Baumgart, Markus Lange-Hegermann, Jan Henze
Diagnosable ColBERT通过对齐临床知识的参考潜在空间，提升ColBERT模型的诊断能力。
François Remy
LoopCTR通过循环扩展范式提升点击率预测性能，显著减少计算成本。
Jiakai Tang, Runfeng Zhang, Weiqiu Wang 等
CAST框架通过语义级转换建模，提升了17.6%召回率和16.0% NDCG，训练加速65倍。
Qian Zhang, Lech Szymanski, Haibo Zhang 等