BoundaryMORPH：通过漫反射检索的活动集选择进行预算重排序

现代检索增强生成 (RAG) 中的开放式查询越来越“分散”，需要将大量文档组装到有限的 LLM 上下文窗口中。为了确保检索质量，系统使用快速双编码器和更昂贵的交叉编码器 (CE) 对候选者进行评分。然而，CE 预算 $B$ 受到延迟的严格限制，并且通常小于上下文窗口容量 $k$。这种不匹配使得标准重新排名在结构上存在缺陷：它浪费了计算量来验证明显的顶级候选者，同时忽略了初始排名中更靠后的相关文档。为了解决这个问题，我们引入了 BoundaryMORPH，这是一种专门为 LLM 的上下文容量 $k$ 分配 CE 预算的新颖算法。使用高斯过程，BoundaryMORPH 将初始双编码器排名视为结构先验，并智能地使用 CE 调用来解析边界处的 top-$k$ 集成员资格，而不是寻找单个最相关的文档。来自每个 CE 调用的信息都会传播到未评分的文档中，从而最大限度地提高预算的效用。我们证明，BoundaryMORPH 通过开放式查询在多个模型和数据集上实现了最先进的集合检索质量（在最强基线上 $+5.4$ nCG@100）。