Los autores describen su sistema para la Tarea 14B de BioASQ 2026, que se centra en optimizar las estrategias de re-búsqueda y combinar respuestas de múltiples modelos de lenguaje. El enfoque emplea una canalización de recuperación híbrida de primera etapa utilizando BGE y BM25, acoplada con una descomposición impulsada por agentes sobre PubMed, Europe PMC e iCite.

  • Una puerta de calidad de codificador cruzado BGE marca las preguntas débilmente respaldadas para re-recuperación selectiva, reduciendo el costo en un 12% mientras mejora el F1 de lista en los datos de validación.
  • El sistema descompone el aumento del conjunto multi-modelo en componentes de selección y fusión para predecir el rendimiento a través de diferentes tipos de métricas.
  • En la Tarea 13B 2025, un resolvedor de unión de sinónimos logró la mayor recuperación de lista, mientras que GPT-5.5 mantuvo el liderazgo en F1 de lista.
  • El equipo ocupó el primer lugar en el agregado combinado-exacto para tres de ocho tablas de clasificación y ganó cuatro celdas individuales de tipo de pregunta en la tabla preliminar.

Este trabajo demuestra que las políticas de re-recuperación pragmáticas en costos y la combinación estructurada multi-modelo pueden mejorar significativamente el rendimiento en tareas de QA biomédico.