深度分析
DART：測試時訓練的零資源密集檢索重排序方法
在缺乏標註資料的資訊檢索情境下，研究提出測試時訓練（Test‑Time Training）方法DART，利用密集檢索產生的前幾名文件作為偽正例、後幾名作為偽負例，於推論時即時調整雙線性得分矩陣。實驗在六個BEIR基準上顯示，DART在保持每查詢低於10毫秒額外延遲的情況下，平均提升NDCG@10約2.1%。
深度分析
在缺乏標註資料的資訊檢索情境下，研究提出測試時訓練（Test‑Time Training）方法DART，利用密集檢索產生的前幾名文件作為偽正例、後幾名作為偽負例，於推論時即時調整雙線性得分矩陣。實驗在六個BEIR基準上顯示，DART在保持每查詢低於10毫秒額外延遲的情況下，平均提升NDCG@10約2.1%。
Dual-Stream Calibration
研究人員提出 DSC 雙流校準框架，解決 AI 在醫療診斷中僅能被動地參考外部知識，而無法針對單一個案地動態調整內部表示。透過語義與結構雙流校準，DSC 讓模型在推理時能將碎片化數據合成一個coherent response，在 13 個臨床數據集上表現優於現有主流框架。