arXiv cs.CL· Yingtao Luo, Kangyi Zhao, Shiyi Du, Yubo Li·· 2 天前AI 评分22
AURA：面向高效文本检索的效用引导自适应推理框架
Learning When to Think: Utility-Guided Adaptive Reasoning for Efficient Text Retrieval
AI 导读
AURA 框架通过直接监督中间推理状态对相关文档与困难干扰项的区分能力，并训练轻量效用估计器在推理时自适应调整推理深度。在 BRIGHT 基准上，AURA-4B 以平均 2.8 个推理步骤和每查询 96 个生成 token 达到 34.7 nDCG@10，自适应停止将延迟从 4.6 秒降至 0.76 秒。MS MARCO 上的结果表明，这种专门化不会显著降低常规域内检索性能。
正文 · AI 翻译
摘要：基于推理条件的嵌入可以通过逐步细化语义约束来改进检索。然而，额外的推理可能引入过度泛化或语义噪声的抽象，从而削弱检索的针对性。现有方法主要通过最终检索结果来监督推理，对细化过程本身的指导有限。我们提出 AURA，一个直接根据中间推理状态区分相关文档与困难干扰项的能力来监督这些状态的框架。AURA 进一步在基于前缀条件的嵌入上训练一个轻量级效用估计器，以在推理时自适应调整推理深度。在推理密集型的 BRIGHT 基准上，AURA-4B 达到 34.7 的平均 nDCG@10，同时每个查询使用 2.8 个推理步骤和 96 个生成 token。在匹配的部署条件下，相对于完整轨迹推理，自适应停止将延迟从 4.6 秒降低到 0.76 秒。MS MARCO 上的结果进一步表明，这种专门化不必显著降低传统的域内检索性能。
| Comments： | 被 EMNLP 2026 Findings 接收 |
| Subjects： | 信息检索（cs.IR）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.21030 [cs.IR] |
| （或 arXiv:2610.21030v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21030 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yingtao Luo [查看电子邮件]
[v1]
2026年10月15日星期四 00:04:21 UTC（323 KB）
来源：arXiv cs.CL · arxiv.org