LAAM 混合检索框架：用主动学习逼近 LLM 排序，能耗降至 3.3%

一篇 arXiv 论文提出 LLM Active Approximation Model（LAAM），在语义检索与 LLM 重排之间加入一个轻量学习预测器作为中介。框架通过主动学习循环让 LLM 只标注少量最具信息量的文档，从而大幅降低推理成本。 在 TREC Robust 2004 数据集上，作者使用 Lucene 的 BM25 检索和 DeepSeek v3 作为 LLM，在三种查询冗长度下评测。对冗长查询，LAAM 达到 DeepSeek 重排平均 P@10 的 87%（0.459 vs 0.526），而每查询能耗仅需 3.3%。 统计检验显示 LAAM 显著优于 BM25，且在平均准确率上与 DeepSeek 无显著差异（Friedman 检验 P<0.05 加事后检验），但 MAP 上未达同等水平。该框架在能耗-精度曲线上提供连续可调的操作点，让开发者按计算预算选择检索质量。