信息检索

NOWJ研究团队在COLIEE 2026法律人工智能竞赛中，针对五项不同任务提出了创新的自适应处理管道，融合了密集检索、生成式重排序和大语言模型推理技术。

研究发现，在个人设备上运行的4B参数研究助手，其引证忠实性主要由对源材料的曝光程度决定，而可信覆盖范围则受检索质量限制。

研究发现不同搜索API虽然能为AI代理提供相近的答案准确率，但在证据呈现方式上存在显著差异，直接影响代理的检索策略和资源消耗。

研究人员提出PRecG新方法，通过图神经网络与修辞角色分割技术，显著提升法律判例检索的准确性与语义理解能力。该方法在印度法律数据集上验证效果优于现有技术。

研究首次系统探索语言模型在百万令牌规模下的上下文检索能力，提出BlockSearch模型并通过注意力机制改进，在多项基准测试中媲美甚至超越传统检索方法。

一项研究探索了AI如何通过自然语言查询发现仿真模型，实验表明数据表示方式、开源嵌入模型和重排序方法对模型检索性能有显著影响。

研究者提出对比反思框架，通过结构化追踪AI代理行为差异，实现可解释的迭代式提示优化，在HotpotQA测试中将准确率从51.4%提升至60.4%。

研究团队推出DiscoBench基准，用于评估搜索智能体在深度搜索中识别模糊查询、主动提出澄清问题并通过交互修正推理路径的能力。

研究者提出OPI框架，通过引入关系中心的本体图来捕获关系约束，结合双向检索与迭代优化策略，显著减少搜索空间并提升多跳知识图谱问答的准确率。

研究团队提出RASC+方法，通过两阶段检索增强与LLM裁决机制，显著提升临床标准化术语集的自动构建准确率。该方法在保持代码可审计安全约束的同时，将测试集宏F1分数提升至0.549。