Авторы описывают свою систему для задачи BioASQ Task 14B 2026, которая сосредоточена на оптимизации стратегий повторного извлечения данных и объединении ответов от нескольких языковых моделей. Подход использует гибридный конвейер первого этапа извлечения с помощью BGE и BM25, в сочетании с агентным разложением над PubMed, Europe PMC и iCite.
- Контрольный фильтр качества кросс-энкодера BGE выявляет слабо обоснованные вопросы для селективного повторного извлечения, что снижает затраты на 12% при одновременном улучшении показателя F1 списков на валидационных данных.
- Система разлагает прирост от ансамбля нескольких моделей на компоненты выбора и слияния для прогнозирования производительности по различным типам метрик.
- На задаче Task 13B 2025 резольвер объединения синонимов достиг наивысшего показателя полноты списков (list recall), в то время как GPT-5.5 сохранил лидерство по F1 списков.
- Команда заняла первое место в общем агрегированном показателе точного совпадения (combined-exact aggregate) на трех из восьми лидербордов и выиграла четыре ячейки индивидуальных типов вопросов на предварительном лидерборде.
Эта работа демонстрирует, что прагматичные по стоимости политики повторного извлечения и структурированное комбинирование нескольких моделей могут значительно улучшить производительность в задачах биомедицинского QA.