[CL]《Beyond Relevance-Centric Retrieval: Rubric-Oriented Document Set Selection and Ranking》K Jiang, L Liu, J Xi, H Xu… [University of Science and Technology of China & Yuanbao Team, Tencent] (2026)

在 RAG（检索增强生成）范式下，检索对象已从人类转变为大模型。传统评价体系（如 nDCG）受困于“文档独立性”假设，仅关注单篇文档的相关性，却忽视了文档集内部的冗余、冲突与互补。这种认知偏差导致即便检索结果全是相关文档，也可能因信息噪声或逻辑断裂导致生成失败。

本文的核心洞见是：将检索评价从单一维度升华为包含互补性、一致性、可达性在内的九维“准则矩阵”。由此，RUBRIC4SETWISE 方案通过将评价准则转化为动态筛选信号，把文档集构建重新看作一个约束寻优过程。这种“以评促选”的操作，使模型能以更少的文档数量支撑起完整的推理链条。

这项工作留下的遗产是确立了从“相关性检索”向“集合式装配”的范式转移，证明了评价信号可以直接转化为优化动力。它为解决长文本上下文污染打开了减负之门，但尚未跨过的门槛是：如何在脱离“标准答案”参考的前提下，让模型自主生成高质量的诊断准则。

arxiv.org/abs/2607.19747 #机器学习# #人工智能# #论文# #AI创造营#