Les auteurs décrivent leur système BioASQ Task 14B 2026, qui se concentre sur l'optimisation des stratégies de re-fetching de la récupération et la combinaison des réponses provenant de plusieurs modèles de langage. L'approche emploie un pipeline de récupération hybride de première étape utilisant BGE et BM25, couplé à une décomposition pilotée par agent sur PubMed, Europe PMC et iCite.
- Une porte de qualité à encodeur croisé BGE signale les questions faiblement étayées pour une ré-récupération sélective, réduisant le coût de 12 % tout en améliorant le F1 de liste sur les données de validation.
- Le système décompose l'apport de l'ensemble multi-modèles en composants de sélection et de fusion pour prédire les performances sur différents types de métriques.
- Sur Task 13B 2025, un résolveur d'union de synonymes a obtenu le meilleur rappel de liste, tandis que GPT-5.5 a maintenu la tête du classement en F1 de liste.
- L'équipe s'est classée première sur l'agrégat exact combiné pour trois des huit leaderboards et a remporté quatre cellules de type de question individuel sur le leaderboard préliminaire.
Ce travail démontre que des politiques de ré-récupération pragmatiques en termes de coût et une combinaison structurée multi-modèles peuvent significativement améliorer les performances sur les tâches de QA biomédical.