В работе рассматривается проблема усечения ранжированного списка кандидатов в нейронном информационном поиске, вызванная недостаточной разделимостью значений функции подобия релевантных и нерелевантных данных. Анализируются существующие методы калибровки для кодирующих больших языковых моделей (LLM), включая Cosine Adapter и Surprise. Предлагается новый метод TMP Adapter, основанный на улучшенной архитектуре Cosine Adapter и включающий Threshold Margin Penalty (TMP) для повышения согласованности пороговых значений. Эксперименты на наборах данных BEIR (FiQA, NFCorpus, Robust04) показали, что TMP Adapter улучшает метрики F1-score на 4.25%, превосходя существующие методы.

Посохов П.А. (науч. рук. Махныткина О.В.) Адаптерная калибровка кодирующих llm для задач информационного поиска // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2025]. URL: https://kmu.itmo.ru/digests/article/14494