Para penulis menggambarkan sistem BioASQ Task 14B 2026 mereka, yang berfokus pada mengoptimalkan strategi pengambilan ulang (re-fetching) dan menggabungkan jawaban dari beberapa model bahasa. Pendekatan ini menggunakan pipeline retriever hibrida tahap pertama yang menggunakan BGE dan BM25, dikombinasikan dengan dekomposisi berbasis agen di PubMed, Europe PMC, dan iCite.
- Gerbang kualitas cross-encoder BGE menandai pertanyaan yang kurang didukung untuk re-retrieval selektif, mengurangi biaya sebesar 12% sambil meningkatkan F1 daftar pada data validasi.
- Sistem menguraikan peningkatan ensemble multi-model menjadi komponen seleksi dan fusi untuk memprediksi kinerja di berbagai jenis metrik.
- Pada Task 13B 2025, resolver union sinonim mencapai recall daftar tertinggi, sementara GPT-5.5 mempertahankan posisi teratas dalam F1 daftar.
- Tim ini menempati peringkat pertama pada agregat gabungan-exact untuk tiga dari delapan leaderboard dan memenangkan empat sel tipe pertanyaan individu di leaderboard prakiraan.
Karya ini menunjukkan bahwa kebijakan re-retrieval yang pragmatis secara biaya dan kombinasi multi-model yang terstruktur dapat secara signifikan meningkatkan kinerja pada tugas QA biomedis.