Promptriever 是約翰斯·霍普金斯大學和Samaya AI聯合推出的新型檢索模型，能像語言模型一樣接受自然語言提示，用直觀的方式響應用戶的搜索需求。Promptriever 基于 MS MARCO 數據集的指令訓練集進行訓練，在標準檢索任務上表現出色，能更有效地遵循詳細指令，提高對查詢的魯棒性和檢索性能。Promptriever展示了將大型語言模型的提示技術與信息檢索相結合的潛力。
Promptriever的主要功能接受自然語言提示：能理解并響應自然語言形式的提示，讓用戶用更自然的方式表達搜索需求。動態調整相關性：根據用戶的具體指令動態調整搜索結果的相關性，例如，根據用戶對搜索結果的具體要求（如時間范圍、特定屬性）過濾和排序文檔。提高檢索魯棒性：基于理解和處理自然語言中的細微差別，增強模型對于不同查詢表達的魯棒性。提升檢索性能：基于提示進行超參數搜索，改善檢索結果的質量。Promptriever的技術原理雙編碼器架構：基于雙編碼器（bi-encoder）架構，用大型語言模型（如 LLaMA-2 7B）作為其背后的支持模型。指令訓練數據集：從 MS MARCO 數據集中篩選和發布新的指令級訓練集，在訓練中包含定義查詢相關性的自然語言指令。指令生成：用語言模型生成更具體的指令，指令能添加額外的要求或明確排除某些類型的文檔。指令負例挖掘：基于生成和過濾（query, passage）對，創建出在加入特定指令后相關性降低的負例，迫使模型學習如何根據指令調整相關性判斷。零樣本提示技術：基于零樣本提示技術進行超參數搜索，類似于語言模型的提示，改善檢索性能。Promptriever的項目地址GitHub倉庫：https://github.com/orionw/promptrieverarXiv技術論文：https://arxiv.org/pdf/2409.11136Promptriever的應用場景搜索引擎優化：提供更精準的搜索結果，基于理解用戶的自然語言查詢和指令，改善搜索體驗。智能助手和聊天機器人：理解和執行用戶的復雜指令，提供更個性化和上下文相關的回答。企業內部搜索：在企業知識庫中快速準確地檢索特定信息，提高工作效率。學術研究和文獻檢索：根據研究者的詳細查詢指令，檢索特定的學術論文和文獻資料。電子商務：根據用戶的購物需求和偏好，提供定制化的搜索結果和產品推薦。 
