GaiaFlow：语义引导的扩散调谐用于碳中和搜索

随着复杂神经网络架构的能源需求不断攀升，信息检索社区已认识到生态可持续性作为模型设计的关键优先事项， necessitating 根本范式的转变。虽然当今神经排序器已实现空前的准确性，但其计算强度所带来的巨大环境外部性往往在大规模部署中被忽视。我们提出 GaiaFlow，一种创新的框架，用以通过语义引导扩散调谐实现碳中和搜索。我们的方法将检索引导的 Langevin 动力学与硬件无关的性能建模策略相结合，以优化搜索精度与环境保护之间的权衡。通过纳入自适应早期退出协议和精度感知的量化推理，该体系结构显著减轻了运营碳足迹，同时在异构计算基础设施中保持稳健的检索质量。广泛的实验评估表明，GaiaFlow 在有效性和能源效率之间实现了卓越的平衡，为下一代神经搜索系统提供了可扩展且可持续的路径。