基于非对称编码器的中文医学检索基准测试与高效实现

有效的医学文本检索需要兼具高精度与低延迟。虽然基于大语言模型（LLM）的嵌入模型拥有强大的检索能力，但因延迟高昂及计算成本 prohibitive，限制了其在实时场景的应用。此外，缺乏完善且高保真的基准数据集也阻碍了中文医学文本检索的进步。本文引入中文医学文本嵌入基准（CMedTEB），涵盖检索、重排序与语义文本相似度（STS）三类实际嵌入任务。不同于纯自动生成的数据集，CMedTEB通过严格的多LLM投票流程并经临床专家验证，确保标注质量并有效缓解标注噪声。基于此，本文提出中文医学非对称检索器（CARE），采用轻量BERT结构编码器进行在线查询编码，搭配强大的LLM编码器进行离线文档编码。然而，针对两种结构差异巨大的编码器进行非对称检索器优化，面临独特挑战。为此，本文引入新颖的两阶段训练策略，逐步桥接查询与文档表征。大量实验表明，CARE在CMedTEB上超越当前最好的对称模型，实现却不增加推理延迟的优异检索性能。