NVIDIA 团队实测 Agentic 检索：nDCG@10 提升 8.7 分，耗时却增 160 倍
_reachsumit · x · 2026-10-06
NVIDIA 研究团队（Reza Esfandiarpoor 等）发布论文《Beyond Semantic Similarity》，系统评估了用 LLM agent 循环调用稠密检索器（ReAct 循环）处理复杂检索任务的效果与成本。
主要发现：
- 效果显著：使用同一 embedding 模型，agentic retrieval 将 nDCG@10 提升 8.7 分，优于仅靠表层语义相似度的标准稠密检索。
- 泛化性强：专门的检索方法在域外任务上表现挣扎，而同一 agentic 管线在 ViDoRe v3 和 BRIGHT 两个排行榜上都取得有竞争力的成绩。
- 代价高昂：平均每次查询耗时 107.4 秒（标准检索仅 0.67 秒），消耗 764.1K 输入 token 和 5.8K 输出 token。
结论是 agentic 检索在效果上确实有效，但作者呼吁后续研究开发更具成本效益的检索 agent 以支持大规模部署。
「编程与Agent」频道最新
- Matt Pocock：把 AI 编码技能定制成你自己的工作流 — mattpocockuk · 2026-10-06
- 斯坦福 ACE 团队推出 Sentry:失败知识常驻上下文反而拖累 Agent — StanfordAILab · 2026-10-06
- 防 Claude 封号：Shadowrocket 七步 TUN 配置堵漏指南 — aigclink · 2026-10-06
- ChatGPT 插件提交流程简化:上传 zip 即可送审 — Dimillian · 2026-10-06
- 一个工具搞定抓取+提取:开发者实战解决 Agent 上下文溢出 — OkShirt9372 · 2026-10-06
- 跑了几十小时端到端基准,Strata 推理服务器在完整构建任务上翻车 — julianharris · 2026-10-06