# 逐点重排序

2 篇关联报道

订阅更新

arXiv 2026年10月9日
Project Greenhouse 用 8 张 H100 从零预训练 3B 模型，微调出在 TREC DL 与 BEIR 上超过同规模开源权重基线、仅次于 GPT-6.1 Sol 的逐点重排器
Project Greenhouse 提出把大模型训练建模为有向属性超图，并据此定义“完全开放且自主可控”的模型；作为首个里程碑，作者仅用公开数据集，先在 ClimbMix 上从零预训练一个 3.29B 参数的因果语言模型，再用 RLHN-250K 与局部对比估计（LCE）做监督微调，得到逐点重排器 Gaggle（base reranker）。该模型在 TREC DL 2019–2023 与七个 BEIR 集合上的平均 nDCG@10 超过所有对比的微调逐点与列表式重排器，TREC DL 上仅 GPT-6.1 Sol 更高。
Project Greenhouse 提出把大模型训练建模为有向属性超图，并据此定义“完全开放且自主可控”的模型；作为首个里程碑，作者仅用公开数据集，先在 ClimbMix 上从零预训练一个 3.29B 参数的因果语言模型，再用 RLHN-250K 与局部对比估计（LCE）做监督微调，得到逐点重排器 Gaggle（base reranker）。该模型在 TREC DL 2019–2023 与七个 BEIR 集合上的平均 nDCG@10 超过所有对比的微调逐点与列表式重排器，TREC DL 上仅 GPT-6.1 Sol 更高。
University of Waterloo
Jimmy Lin（第一作者）
Gaggle 基础重排序器逐点重排序完全开放且自主的模型智能体搜索监督微调
arXiv 2026年10月1日
Jev 在 Amazon 三域重排中保持高 NDCG@10，延迟随候选集增大增长远慢于点式 Qwen
该研究在 Amazon Reviews 2023 的 Movies and TV、Video Games、Books 三个域上，用 SASRec 检索出的高排名负例构造受控困难候选集（候选规模从 10 到 100），把被 TypeSafe AI 称为“System One Model”的决策导向模型 Jev 与 SASRec、DCNv2 以及 Qwen2.5 7B Instruct 的点式与列表式重排器对比，发现 Jev 在保持较强推荐效果（NDCG@10、Hit Rate@10、MRR）的同时，其观测服务延迟随候选集增大的增长明显比点式 Qwen 更平缓，但仍远高于推荐专用模型。
该研究在 Amazon Reviews 2023 的 Movies and TV、Video Games、Books 三个域上，用 SASRec 检索出的高排名负例构造受控困难候选集（候选规模从 10 到 100），把被 TypeSafe AI 称为“System One Model”的决策导向模型 Jev 与 SASRec、DCNv2 以及 Qwen2.5 7B Instruct 的点式与列表式重排器对比，发现 Jev 在保持较强推荐效果（NDCG@10、Hit Rate@10、MRR）的同时，其观测服务延迟随候选集增大的增长明显比点式 Qwen 更平缓，但仍远高于推荐专用模型。
TypeSafe AI Singapore Management University
Hanjia Lyu（第一作者）
Jev 决策导向推荐重排序推荐重排序 Qwen2.5 逐点重排序

已读完全部报道

Project Greenhouse 用 8 张 H100 从零预训练 3B 模型，微调出在 TREC DL 与 BEIR 上超过同规模开源权重基线、仅次于 GPT-6.1 Sol 的逐点重排器

Jev 在 Amazon 三域重排中保持高 NDCG@10，延迟随候选集增大增长远慢于点式 Qwen