作者描述了他们的BioASQ Task 14B 2026系统，该系统专注于优化检索重取策略并结合来自多个语言模型的答案。该方法采用结合BGE和BM25的混合第一阶段检索管道，并与针对PubMed、Europe PMC和iCite的基于智能体的分解相结合。

  • BGE交叉编码器质量门控标记支持度较弱的问题以进行选择性重检索，在提高验证数据上列表F1的同时将成本降低了12%。
  • 系统将多模型集成提升分解为选择和融合组件，以预测不同指标类型的性能。
  • 在Task 13B 2025中，同义词并集解析器实现了最高的列表召回率，而GPT-5.5在列表F1上保持领先。
  • 该团队在八个排行榜中的三个的combined-exact aggregate上排名第一，并在初步排行榜上赢得了四个单独的问题类型单元格。

这项工作表明，成本效益型重检索策略和结构化的多模型组合可以显著提高生物医学QA任务的性能。