Buchumschlag

MAGMaR Shared Task System Description: Video Retrieval with OmniEmbed

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhan, Jiaqi Samantha, Zhang, Crystina, Zhuang, Shengyao, Ma, Xueguang, Lin, Jimmy
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Tevatron 2.0: Unified Document Retrieval Toolkit across Scale, Language, and Modality
von: Ma, Xueguang, et al.
Veröffentlicht: (2025)

LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum
von: Xu, Zhichao, et al.
Veröffentlicht: (2026)

PromptReps: Prompting Large Language Models to Generate Dense and Sparse Representations for Zero-Shot Document Retrieval
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

Hard Negatives, Hard Lessons: Revisiting Training Data Quality for Robust Information Retrieval with LLMs
von: Thakur, Nandan, et al.
Veröffentlicht: (2025)

VISA: Retrieval Augmented Generation with Visual Source Attribution
von: Ma, Xueguang, et al.
Veröffentlicht: (2024)

Document Screenshot Retrievers are Vulnerable to Pixel Poisoning Attacks
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2025)

Rank-R1: Enhancing Reasoning in LLM-based Document Rerankers via Reinforcement Learning
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2025)

Unifying Multimodal Retrieval via Document Screenshot Embedding
von: Ma, Xueguang, et al.
Veröffentlicht: (2024)

A Survey of Model Architectures in Information Retrieval
von: Xu, Zhichao, et al.
Veröffentlicht: (2025)

Team IELAB at TREC Clinical Trial Track 2023: Enhancing Clinical Trial Retrieval with Neural Rankers and Large Language Models
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

Leveraging LLMs for Unsupervised Dense Retriever Ranking
von: Khramtsova, Ekaterina, et al.
Veröffentlicht: (2024)

DRAMA: Diverse Augmentation from Large Language Models to Smaller Dense Retrievers
von: Ma, Xueguang, et al.
Veröffentlicht: (2025)

Embark on DenseQuest: A System for Selecting the Best Dense Retriever for a Custom Collection
von: Khramtsova, Ekaterina, et al.
Veröffentlicht: (2024)

Understanding and Mitigating the Threat of Vec2Text to Dense Retrieval Systems
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

Dense Retrieval with Continuous Explicit Feedback for Systematic Review Screening Prioritisation
von: Mao, Xinyu, et al.
Veröffentlicht: (2024)

ORBIT: Scalable and Verifiable Data Generation for Search Agents on a Tight Budget
von: Thakur, Nandan, et al.
Veröffentlicht: (2026)

Starbucks-v2: Improved Training for 2D Matryoshka Embeddings
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

Rethinking On-policy Optimization for Query Augmentation
von: Xu, Zhichao, et al.
Veröffentlicht: (2025)

2D Matryoshka Training for Information Retrieval
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

Operational Advice for Dense and Sparse Retrievers: HNSW, Flat, or Inverted Indexes?
von: Lin, Jimmy
Veröffentlicht: (2024)

BrowseComp-Plus: A More Fair and Transparent Evaluation Benchmark of Deep-Research Agent
von: Chen, Zijian, et al.
Veröffentlicht: (2025)

Does Vec2Text Pose a New Corpus Poisoning Threat?
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2024)

Layer-wise Token Compression for Efficient Document Reranking
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2026)

FeB4RAG: Evaluating Federated Search in the Context of Retrieval Augmented Generation
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

TurkEmbed4Retrieval: Turkish Embedding Model for Retrieval Task
von: Ezerceli, Özay, et al.
Veröffentlicht: (2025)

Leveraging Reference Documents for Zero-Shot Ranking via Large Language Models
von: Li, Jieran, et al.
Veröffentlicht: (2025)

Large Language Models for Stemming: Promises, Pitfalls and Failures
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

A Setwise Approach for Effective and Highly Efficient Zero-shot Ranking with Large Language Models
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2023)

Illusions of Relevance: Arbitrary Content Injection Attacks Deceive Retrievers, Rerankers, and LLM Judges
von: Tamber, Manveer Singh, et al.
Veröffentlicht: (2025)

Can't Hide Behind the API: Stealing Black-Box Commercial Embedding Models
von: Tamber, Manveer Singh, et al.
Veröffentlicht: (2024)

MMEB-V3: Measuring the Performance Gaps of Omni-Modality Embedding Models
von: Huang, Haohang, et al.
Veröffentlicht: (2026)

UniRAG: Universal Retrieval Augmentation for Large Vision Language Models
von: Sharifymoghaddam, Sahel, et al.
Veröffentlicht: (2024)

ReSLLM: Large Language Models are Strong Resource Selectors for Federated Search
von: Wang, Shuai, et al.
Veröffentlicht: (2024)

LLM-VPRF: Large Language Model Based Vector Pseudo Relevance Feedback
von: Li, Hang, et al.
Veröffentlicht: (2025)

An Investigation of Prompt Variations for Zero-shot LLM-based Rankers
von: Sun, Shuoqi, et al.
Veröffentlicht: (2024)

Distillation versus Contrastive Learning: How to Train Your Rerankers
von: Xu, Zhichao, et al.
Veröffentlicht: (2025)

Teaching Dense Retrieval Models to Specialize with Listwise Distillation and LLM Data Augmentation
von: Tamber, Manveer Singh, et al.
Veröffentlicht: (2025)

Study on LLMs for Promptagator-Style Dense Retriever Training
von: Gwon, Daniel, et al.
Veröffentlicht: (2025)

Conventional Contrastive Learning Often Falls Short: Improving Dense Retrieval with Cross-Encoder Listwise Distillation and Synthetic Data
von: Tamber, Manveer Singh, et al.
Veröffentlicht: (2025)

Overview of the TREC 2025 Retrieval Augmented Generation (RAG) Track
von: Upadhyay, Shivani, et al.
Veröffentlicht: (2026)