【博士论文】用于搜索的 Transformer 模型：检索、鲁棒性与拒绝机制

本文探讨了在信息检索与问答系统中，随着语言模型的主导作用增强，检索与生成界限模糊的现状。背景指出，尽管检索增强模型（RAG）使复杂问题回答变得便捷，但其在测试条件与训练数据不一致时表现出脆弱性。研究目的聚焦于提升系统的泛化性和有据性，通过分析训练数据增强与负采样对稠密检索器在分布偏移下的影响，提出增强跨领域及跨语言鲁棒性的方法，并训练小型开源语言模型基于证据推理和拒绝回答。结论强调，通过开源工具降低技术门槛，促进可靠检索与问答系统的构建与复现。