arXiv 2026年6月1日该工作提出整池集合式重排（Whole-Pool Setwise），让每次比较对整个候选池排序，并提出DualEnd同时选出预测最相关与最不相关的候选、从两端填充排名，从而在100个候选上仅用50次LLM比较即构建完整排序；在TREC DL19与DL20上使用九个开放权重LLM，比较次数比面向顶部的窗口式Setwise堆排序少59.4%、比冒泡排序少88.8%，nDCG@100与单端整池顶部导向方法相差在0.008以内，同时token消耗与排序时间约减半；在六个BEIR数据集上，相对单端整池顶部导向方法，平均token消耗与排序时间分别降低49.4%与50.8%。该工作提出整池集合式重排（Whole-Pool Setwise），让每次比较对整个候选池排序，并提出DualEnd同时选出预测最相关与最不相关的候选、从两端填充排名，从而在100个候选上仅用50次LLM比较即构建完整排序；在TREC DL19与DL20上使用九个开放权重LLM，比较次数比面向顶部的窗口式Setwise堆排序少59.4%、比冒泡排序少88.8%，nDCG@100与单端整池顶部导向方法相差在0.008以内，同时token消耗与排序时间约减半；在六个BEIR数据集上，相对单端整池顶部导向方法，平均token消耗与排序时间分别降低49.4%与50.8%。长上下文LLM整池集合式重排：DualEnd用50次比较完成100个候选的完整排序，比较次数比窗口式堆排序基线少59.4%该工作提出整池集合式重排（Whole-Pool Setwise），让每次比较对整个候选池排序，并提出DualEnd同时选出预测最相关与最不相关的候选、从两端填充排名，从而在100个候选上仅用50次LLM比较即构建完整排序；在TREC DL19与DL20上使用九个开放权重LLM，比较次数比面向顶部的窗口式Setwise堆排序少59.4%、比冒泡排序少88.8%，nDCG@100与单端整池顶部导向方法相差在0.008以内，同时token消耗与排序时间约减半；在六个BEIR数据集上，相对单端整池顶部导向方法，平均token消耗与排序时间分别降低49.4%与50.8%。该工作提出整池集合式重排（Whole-Pool Setwise），让每次比较对整个候选池排序，并提出DualEnd同时选出预测最相关与最不相关的候选、从两端填充排名，从而在100个候选上仅用50次LLM比较即构建完整排序；在TREC DL19与DL20上使用九个开放权重LLM，比较次数比面向顶部的窗口式Setwise堆排序少59.4%、比冒泡排序少88.8%，nDCG@100与单端整池顶部导向方法相差在0.008以内，同时token消耗与排序时间约减半；在六个BEIR数据集上，相对单端整池顶部导向方法，平均token消耗与排序时间分别降低49.4%与50.8%。