arXiv 研究法律检索重排器难负样本训练，4B 模型偏好率 72.4%
原文标题：Beyond Recall Saturation: Scaling Hard-Negative Reranker Training for Industrial Legal Retrieval
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出在足够大的候选池下嵌入召回收益递减，重排器质量成为关键。作者在中文法律检索基准上比较嵌入挖掘、自挖掘与动态负样本策略，发现嵌入到自挖掘的两阶段流程性价比最佳。训练后的 4B 重排器在 STARD、CSAID 及内部集上指标提升，离线偏好评估中 72.4% 非平局对比胜出。
- 问题
- 候选池足够大后嵌入召回收益递减，重排器质量成为检索瓶颈。
- 方法
- 在中文法律检索上对比嵌入挖掘、自挖掘与动态负样本策略，采用嵌入到自挖掘两阶段流程训练重排器。
- 结果
- 4B 重排器在 STARD、CSAID 及内部集提升，离线偏好评估中 72.4% 非平局对比胜出。
- 影响
- 说明工业检索应把优化重心从扩召回转向重排，并给出性价比最高的负样本流程。
深读 · 结论先行AI 生成展开看要点与影响 ↓
中文法律检索中嵌入到自挖掘两阶段训练，4B重排器偏好率72.4%
- •候选池足够大时嵌入召回收益递减，嵌入top-300已进入高召回区间
- •对比嵌入挖掘、自挖掘、动态负样本三类难负样本策略，动态阶段未提升全部留出指标
- •嵌入到自挖掘的两阶段流程性价比最佳，可从0.6B扩展到4B重排器
- •训练后4B模型在STARD、CSAID及内部集指标提升
- •410条内部运营查询的离线偏好评估中，72.4%非平局对比胜出
为什么重要：提示工业检索应分别评估召回与重排，把优化预算投向重排器而非继续扩大候选池。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。