BlitzRank：基于锦标赛图的零样本排序智能体框架

论文 代码 博客（即将推出） --> ⚡ BlitzRank 利用锦标赛图从每次 LLM 调用中提取最大信息——一个原则性框架，在 14 个基准和 5 个 LLM 上实现帕累托最优，同时查询量减少 25–40%。

大型语言模型已成为检索增强生成中强大的零样本重排序器，无需任务特定训练即可提供强泛化能力。然而，现有的 LLM 重排序方法要么依赖启发式方法，未能充分利用每次排序决策所揭示的信息，要么在利用这些信息时效率低下。我们引入了一个锦标赛图框架，为 k 元重排序提供了原则性基础。我们的关键观察是，每次 k 文档比较都会揭示一个完整的锦标赛，包含 k 选 2 的成对偏好。这些锦标赛被聚合到一个全局偏好图中，其传递闭包无需进一步调用模型即可产生许多额外排序。我们形式化了候选排名何时可被确证确定，并设计了一种查询调度，贪婪地最大化信息增益以识别前 m 个项目。我们的框架还能优雅地处理非传递偏好——由 LLM 判断引发的循环——通过将它们折叠为等价类，从而产生有原则的分层排名。在实证上，跨 14 个基准和 5 个 LLM，我们的方法实现了对现有方法的帕累托支配：在匹配或超越准确率的同时，所需 token 比同类方法少 25–40%，在近乎相同质量下比成对方法少 7 倍。