论文提出 CoGR：利用强化学习协同进化生成式检索器

研究团队在 2026 年 9 月提出 CoGR 检索架构论文，通过强化学习让大语言模型在查询端与物品端协同生成紧凑关键词，针对传统生成式检索与下游匹配脱节的问题提供了端到端优化方案。

• 双端生成与倒排索引：CoGR 改变了以往仅在查询端进行增强的做法，训练模型在查询侧与物品侧均生成紧凑关键词，直接利用现有倒排索引基础设施进行高效匹配。
• 两阶段协同训练：模型先通过监督微调构建对齐的关键词空间，再利用群相对策略优化在冻结对侧索引的交替迭代中共同进化。
• 奖励分配机制：查询端直接以检索 F1 值为奖励，物品端则通过反事实边际奖励衡量其生成关键词对查询端 F1 带来的增量贡献。
• 基准测试表现：在内部应用市场数据集与公开 WANDS 基准评测中，CoGR 相比最强基线模型的 F1 指标分别提升 10.9% 和 36.1%，验证了协同进化的有效性。
• 影响/看点：该方法可能在保留现有倒排索引检索系统架构的同时提升复杂搜索的匹配精度，但其实际工业落地仍取决于双端大模型离线与在线推理的计算延迟与资源开销。
• 资料依据：
• arXiv（2026-09-01）：https://arxiv.org/abs/2609.00638
• Hugging Face Papers（2026-09-01）：https://huggingface.co/papers/2609.00638

本内容由 AI 生成，仅供参考，请注意甄别