Os autores descrevem seu sistema para a Tarefa 14B do BioASQ 2026, que foca na otimização das estratégias de re-busca e na combinação de respostas de múltiplos modelos de linguagem. A abordagem emprega um pipeline de recuperação híbrido de primeira etapa usando BGE e BM25, acoplado com uma decomposição orientada por agentes sobre PubMed, Europe PMC e iCite.

  • Um gate de qualidade de codificador cruzado BGE sinaliza perguntas fracamente suportadas para re-recuperação seletiva, reduzindo o custo em 12% enquanto melhora o F1 de lista nos dados de validação.
  • O sistema decompõe o ganho do ensemble multi-modelo em componentes de seleção e fusão para prever o desempenho através de diferentes tipos de métricas.
  • Na Tarefa 13B 2025, um resolvedor de união de sinônimos alcançou a maior recuperação de lista, enquanto GPT-5.5 manteve a liderança no F1 de lista.
  • A equipe ficou em primeiro lugar no agregado combined-exact para três dos oito leaderboards e venceu quatro células individuais de tipo de pergunta no leaderboard preliminar.

Este trabalho demonstra que políticas de re-recuperação pragmáticas em custo e combinação estruturada multi-modelo podem melhorar significativamente o desempenho em tarefas de QA biomédico.