BracketRank：大语言模型 通过基于推理的竞争消除进行文档排名

推理密集型检索需要超越表面关键字匹配的深层语义推理，这对当前受上下文约束和顺序敏感性限制的基于 LLM 的重排序器提出了挑战。我们提出 \textbf{\BracketRank}，一个将文档重新排名视为推理驱动的竞争锦标赛的框架。我们的方法引入了三个关键创新：（1）基于模型上下文限制的自适应分组，（2）要求逐步相关性解释的推理增强提示，以及（3）带有获胜者和失败者轨迹的括号式消除结构。这种设计确保了文档的稳健推进，同时实现了跨竞赛阶段的并行处理。对 BRIGHT 推理基准的评估表明，\BracketRank 达到了 \textbf{26.56 nDCG@10}，显着优于最先进的基线，包括 RankGPT-4 (17.0) 和 Rank-R1-14B (20.5)。在 TREC 数据集上，BracketRank 在 DL 19 上达到 77.90 nDCG@5，在 DL 20 上达到 75.85 nDCG@5，超出了所有基线，证明竞争消除中的显式推理是复杂、多步骤检索任务的强大范例。 https://github.com/DataScienceUIBK/BracketRank