超越检索：结合交叉编码器和GPT重排序器与LLM的集成方法用于生物医学问答

基于信息检索的生物医学语义问答在跟上庞大、快速演进且不断增长的生物医学文献方面可以发挥关键作用。一个稳健的系统可以帮助研究人员、医疗保健专业人员甚至普通用户获取基于证据的相关知识。BioASQ 2025 Task13b挑战赛作为一个重要的基准测试，为该领域的进步提供了一个竞争平台。本文介绍了我们参与该挑战赛的方法和结果，我们构建了一个检索增强生成（RAG）系统，该系统通过检索相关的PubMed文档和片段来回答生物医学问题并生成答案。对于检索任务，我们从生物医学文章中生成密集嵌入用于初始检索，并应用微调交叉编码器和大语言模型（LLM）的集成进行重排序，以识别最相关的文档。我们的解决方案在检索任务中取得了0.1581的MAP@10，在排行榜上排名第10。对于答案生成，我们采用了指令调优LLM的少样本提示。我们的系统在是非题上取得了0.95的宏F1分数（排名第12），在事实题上取得了0.64的平均倒数排名（MRR）（排名第1），在列表题上取得了0.63的平均F1分数（排名第5），在理想答案上取得了0.29的ROUGE-SU4 F1分数（排名第11）。