RAG／資訊檢索
LAMAR 重排器把查詢語言納入排序，修正多語 RAG 偏向語意而忽略語言一致性的問題
高麗大學團隊開放 6 億參數 LAMAR，讓多語搜尋在文件同樣相關時，優先保留與查詢相同語言的內容。模型在專門設計的語言一致性測試領先比較對象，但一般重排基準只達競爭水準，不能視為全面取代大型 reranker。
多語 RAG 的第一階段通常會從不同語言取回相關文件，再由 cross-encoder 重排；問題是現有重排器主要判斷語意相關性，當中文、英文或其他語言文件表達相同資訊時，不一定優先選擇與查詢相同語言的版本。這會把翻譯需求、專有名詞差異與回答語言漂移傳到生成模型。
高麗大學 NLP & AI Lab 釋出的 LAMAR-600m，將排序目標拆成「相關性」與「語言一致性」。模型以 BGE-M3 RetroMAE 為起點，先使用 Qwen3-Reranker-4B 的分數做英文錨定知識蒸餾，使 51 種訓練語言的相關性尺度較一致；第二階段再加入偏好對齊，當候選文件語意相當時，提高查詢與文件語言一致的排序機率。模型採 MIT 授權、最大輸入長度 8,192 token，可直接透過 Sentence Transformers 或 Transformers 輸出單一 relevance logit。
在由 XQuAD 與 BELEBELE 平行文件建立的控制測試中，LAMAR 的 nDCG@1 分別為 96.89 與 94.66，高於受測的 0.3B 至 4B 重排器；但這項測試刻意把同一正確文件翻成多種語言，衡量的是能否把同語言版本排第一，而非一般搜尋的完整準確率。在 MIRACL、XGLUE、HUME、MLDR 與 Wikipedia 重排測試上，LAMAR 平均 nDCG@10 為 86.84，略低於 Qwen3-Reranker-4B 的 87.34。
工程團隊可把它視為多語檢索的可部署基線，尤其適合中文查詢經常混入英文文件的企業知識庫。不過，強制偏好同語言也可能壓低更完整或更新的跨語言來源；正式部署應把語言一致性設為可調訊號，並以最終答案正確率、引用覆蓋率和延遲共同評估。