預算策略)
【免費下載鏈接】daily-paper-reader開源的每日 arXiv / OpenReview 論文推薦與 AI 閱讀平臺支持 GitHub Actions 自動更新、GitHub Pages 部署與論文問答。項目地址https://gitcode.com/gh_mirrors/da/daily-paper-reader點擊查看免費下載Daily Paper Reader 是一個開源的每日 arXiv / OpenReview 論文推薦與 AI 閱讀平臺其每日推薦質量的核心之一就是rerank 重排體系召回階段篩出大量候選論文后由 Qwen3-Reranker 模型對候選池做精排打分再交給 LLM 精煉出最終日報。本文將完整講清重排的本地 / 遠端三選一部署方式以及動態(tài)預算策略如何決定候選池規(guī)模幫助你快速選對配置、跑出更準的論文推薦。重排體系的位置為什么 Step 3 決定推薦質量Daily Paper Reader 的每日流水線共 7 步抓取 → BM25 關鍵詞召回 → 向量語義召回 → RRF 融合 →Rerank 重排Step 3→ LLM 精煉打分Step 4→ 生成日報Step 6。重排的價值在于BM25 和向量召回擅長廣撒網(wǎng)但各路分數(shù)量綱不同、噪聲也各有側重。Step 3 會把所有召回 lane 合并成一個統(tǒng)一候選池再由 Qwen3-Reranker 逐條判斷這篇論文的標題摘要是否滿足你的研究意圖輸出相關性得分。可以說Step 4 的 LLM 精分、Step 5 的精讀/速讀分區(qū)全部建立在重排給出的星級門檻之上。整個后端鏈路中Rerank 緊跟在 RetrievalBM25/Embedding/RRF之后、LLM Refine 之前重排結果寫入archive/date/rank/供后續(xù)步驟消費。Qwen3-Reranker 三選一本地、公益與 SiliconFlow 部署對比重排腳本 src/3.rank_papers.py 內置了三個 rerank profile預設配置同一套代碼只需換一個名字即可切換部署方式Profile運行位置默認模型鑒權特點local-qwen3-0.6b本地 CPU/GPUQwen/Qwen3-Reranker-0.6B無零調用成本離線可跑需安裝重依賴public-zwwen-rerank遠端公益服務zwwen.onlineQwen/Qwen3-Reranker-0.6B內置公益 Key免配置默認選項Fork 即用siliconflow-qwen3-0.6bSiliconFlow 遠端 APIQwen3-Reranker-0.6B/8BSILICONFLOW_API_KEY可選 8B 大模型自帶限速重試與成本統(tǒng)計選項一local-qwen3-0.6b —— 本地運行零調用成本本地實現(xiàn)見 src/3.rank_papers.py 的LocalQwenReranker。它的打分原理很巧妙不取模型輸出文本而是直接讀 tokenizer 中yes/no兩個 token 的 logits做 softmax 后取P(yes)作為相關性分數(shù)分數(shù)越高表示論文越符合你的檢索意圖。需要torchtransformers安裝可選依賴 requirements-local-models.txtCPU 版 torch無 GPU 時自動用 CPU float32 運行可用--rerank-device、--rerank-batch-size調優(yōu)?? 云端模式下DPR_MODELS_REMOTE_ONLY1禁止加載本地模型舊的本地配置會自動改走public-zwwen-rerank。選項二public-zwwen-rerank —— 默認公益重排服務這是工作流的默認 profile。公益服務地址與模型名都寫在 src/3.rank_papers.py 的RERANK_PROFILE_CONFIGS中Key 內置兜底普通用戶 Fork 倉庫后不配任何環(huán)境變量也能直接跑通重排是五分鐘上線體驗的關鍵。選項三siliconflow-qwen3-0.6b —— SiliconFlow 遠端 API遠端客戶端實現(xiàn)在 src/reranker_api.py專為離線實驗與生產(chǎn)切換設計支持 src/reranker_api.py 中的Qwen3-Reranker-0.6B與Qwen3-Reranker-8B兩個尺寸并可隨請求下發(fā)學術論文場景專用的instruction限速自愈遇到 429 / rate limit 自動等待 65 秒重試默認 2 次還可用SILICONFLOW_RERANK_MIN_INTERVAL_SECONDS設置請求間隔GitHub Actions 默認 8 秒成本透明內置 單價表0.6B 約 $0.01/百萬 token8B 約 $0.04/百萬 token運行結束自動輸出 API 調用次數(shù)、延遲 P95 與估算費用遠端每次最多 64 篇RERANK_MAX_DOCUMENTS_PER_REQUEST腳本會自動把本地 100 的 batch 壓縮到遠端上限。重排模式選擇指南環(huán)境變量、命令行與面板三種配置方式選定 profile 后有三種方式告訴系統(tǒng)使用它環(huán)境變量設置RERANK_PROFILE還支持local、zwwen、sf-0.6b等別名自動歸一配合RERANK_PROVIDER/RERANK_MODEL/RERANK_API_BASE_URL微調命令行參數(shù)--rerank-profile、--rerank-provider、--rerank-model見 參數(shù)定義工作流面板在 daily workflow 的 dispatch 輸入中直接選擇reranker_profile見 .github/workflows/daily-paper-reader.yml。前端觸發(fā)時同樣會讀取你在密鑰配置里選的 reranker profileapp/workflows.runner.js如果選的是本地模式但當前運行在云端會自動回落到public-zwwen-rerank避免 Actions 環(huán)境下載模型失敗。# 例一次性用 SiliconFlow 8B 跑一次本地實驗 export RERANK_PROFILEsiliconflow-qwen3-0.6b export RERANK_MODELQwen/Qwen3-Reranker-8B export SILICONFLOW_API_KEYsk-xxxx python src/3.rank_papers.py --input archive/20260306/filtered/arxiv_papers_20260306.json動態(tài)預算策略候選池規(guī)模如何自動計算重排不是把所有論文都打分——調用量必須受控。resolve_global_pool_budget 會根據(jù)論文總量與意圖查詢intent query數(shù)量動態(tài)計算三個預算參數(shù)計算規(guī)則含義lane_top_kmin(30 10 × ?(總數(shù)?1)/1000?, 120)每條召回 lane 最多帶多少候選進池guaranteed_per_lanelane_top_k 的 25%限制在 [5, 20]每條 lane保底進池的候選數(shù)global_pool_limitlane_top_k × 意圖查詢數(shù)限制在 [60, 300]全局 RRF 融合后的候選池上限以 4 個意圖查詢?yōu)槔龜?shù)值來自 tests/test_rank_global_pool.py 的斷言論文總量lane_top_k保底/lane全局池上限1,000 篇3081203,000 篇501220010,000 篇120封頂20封頂300封頂組池邏輯見 build_global_candidate_ids每條 lane 的保底論文固定保留防止冷門方向被擠掉其余名額由全局 RRF1/(60rank)排序補齊去重后交給 reranker。 注意預算只按intent query 數(shù)量放大而關鍵詞召回keyword lane不參與打分。也就是說你在訂閱面板里寫的意圖 Query用于意圖召回與最終打分越多候選池越大、推薦越貼合語義但調用量也越高如果預算不夠用或想壓縮成本可用環(huán)境變量手動覆蓋DPR_RERANK_GLOBAL_POOL_LIMIT如 80 加速、DPR_RERANK_GUARANTEED_PER_LANE如 1 提速、DPR_RERANK_LANE_TOP_K。GitHub Actions 工作流當前固定為120 / 2workflow 配置。從重排星級到日報分數(shù)如何串聯(lián)下游重排得分會先做 min-max 歸一化再按閾值映射成星級score_to_stars歸一化得分星級后續(xù)去向≥ 0.9?????Step 4 重點精分高分可進精讀區(qū)≥ 0.5????進入 Step 4 LLM 精煉4★ 是默認門檻≥ 0.1???直接過濾 0.11-2★直接過濾也就是說4★ 門檻就是重排與 LLM 之間的過濾器——重排預算給得越準進入 DeepSeek 精分的候選越少越精Token 成本和日報質量同時受益。最終你在日報里看到的每篇論文星級正是這條鏈路的產(chǎn)物離線實驗工具驗證你的重排預算與模型尺寸項目內置了兩套裁判式離線實驗工具都用Step 4 DeepSeek 精分結果作為評判標準而不是看重排本身的分數(shù)并按top20_score_sum、score_ge_8等指標自動給出recommended推薦項src/rerank_budget_experiment.py動態(tài)預算策略對比。內置tiny40:1、fast80:1、balanced120:2三檔 profile對比不同候選池規(guī)模下的重排耗時、LLM 耗時與最終質量src/rerank_model_size_experiment.py模型尺寸對比。默認橫評 SiliconFlow 的 0.6B 與 8B額外輸出兩模型 Top20 重合度top20_overlap與 API 成本估算回答大模型值不值。兩者都固定隨機種子--seed 20260503保證分批順序一致、可復現(xiàn)支持--skip-existing斷點續(xù)跑。重排體系速查清單如何三選一?默認/云端運行保持public-zwwen-rerank不動零配置Fork 即用?想完全離線或長期大量跑裝 requirements-local-models.txt選local-qwen3-0.6bCPU 也能跑?追求極致排序質量、可接受小額費用選siliconflow-qwen3-0.6b并把RERANK_MODEL切到 8B先跑一輪rerank_model_size_experiment.py驗證收益再上線?覺得日報候選不夠/太多先調DPR_RERANK_GLOBAL_POOL_LIMIT60–300與DPR_RERANK_GUARANTEED_PER_LANE而不是改代碼?改完配置跑一次預算實驗用 DeepSeek 精分結果對比top20_score_sum數(shù)據(jù)說話。重排體系是 Daily Paper Reader 推薦鏈路中投入產(chǎn)出比最高的調節(jié)旋鈕選對部署方式省心調好動態(tài)預算省錢理解星級門檻才能理解每一篇推薦論文為什么出現(xiàn)在你的日報里。贊分享【免費下載鏈接】daily-paper-reader開源的每日 arXiv / OpenReview 論文推薦與 AI 閱讀平臺支持 GitHub Actions 自動更新、GitHub Pages 部署與論文問答。項目地址https://gitcode.com/gh_mirrors/da/daily-paper-reader點擊查看免費下載相關推薦Millennium性能優(yōu)化技巧讓你的Steam客戶端運行更流暢Millennium性能優(yōu)化技巧讓你的Steam客戶端運行更流暢 Millennium是一款開源低代碼 modding 框架專為桌面版 Steam 客戶端打NeuralRecon代碼實現(xiàn)原理從理論到實踐的全鏈路分析NeuralRecon代碼實現(xiàn)原理從理論到實踐的全鏈路分析 NeuralRecon是一個基于深度學習的實時單目視頻三維重建系統(tǒng)能夠從普通視頻序列中高效構建連計算機視覺深度學習人工智能科研EmojiPackage表情包主題深度解析程序員篇 - 120個經(jīng)典表情包帶你走進程序員的內心世界EmojiPackage表情包主題深度解析程序員篇 120個經(jīng)典表情包帶你走進程序員的內心世界 EmojiPackage表情包資源合集是程序員日常溝通的神器即時通訊上一篇EasyCV性能優(yōu)化終極指南10個技巧讓你的模型快如閃電下一篇Finb/Bark項目解析iOS設備輕量級消息推送方案創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 Daily Paper Reader 重排體系完全指南：Qwen3-Reranker 本地/遠端三選一與動態(tài)預算策略
【免費下載鏈接】daily-paper-reader開源的每日 arXiv / OpenReview 論文推薦與 AI 閱讀平臺支持 GitHub Actions 自動更新、GitHub Pages 部署與論文問答。項目地址https://gitcode.com/gh_mirrors/da/daily-paper-reader點擊查看免費下載Daily Paper Reader 是一個開源的每日 arXiv / OpenReview 論文推薦與 AI 閱讀平臺其每日推薦質量的核心之一就是rerank 重排體系召回階段篩出大量候選論文后由 Qwen3-Reranker 模型對候選池做精排打分再交給 LLM 精煉出最終日報。本文將完整講清重排的本地 / 遠端三選一部署方式以及動態(tài)預算策略如何決定候選池規(guī)模幫助你快速選對配置、跑出更準的論文推薦。重排體系的位置為什么 Step 3 決定推薦質量Daily Paper Reader 的每日流水線共 7 步抓取 → BM25 關鍵詞召回 → 向量語義召回 → RRF 融合 →Rerank 重排Step 3→ LLM 精煉打分Step 4→ 生成日報Step 6。重排的價值在于BM25 和向量召回擅長廣撒網(wǎng)但各路分數(shù)量綱不同、噪聲也各有側重。Step 3 會把所有召回 lane 合并成一個統(tǒng)一候選池再由 Qwen3-Reranker 逐條判斷這篇論文的標題摘要是否滿足你的研究意圖輸出相關性得分。可以說Step 4 的 LLM 精分、Step 5 的精讀/速讀分區(qū)全部建立在重排給出的星級門檻之上。整個后端鏈路中Rerank 緊跟在 RetrievalBM25/Embedding/RRF之后、LLM Refine 之前重排結果寫入archive/date/rank/供后續(xù)步驟消費。Qwen3-Reranker 三選一本地、公益與 SiliconFlow 部署對比重排腳本 src/3.rank_papers.py 內置了三個 rerank profile預設配置同一套代碼只需換一個名字即可切換部署方式Profile運行位置默認模型鑒權特點local-qwen3-0.6b本地 CPU/GPUQwen/Qwen3-Reranker-0.6B無零調用成本離線可跑需安裝重依賴public-zwwen-rerank遠端公益服務zwwen.onlineQwen/Qwen3-Reranker-0.6B內置公益 Key免配置默認選項Fork 即用siliconflow-qwen3-0.6bSiliconFlow 遠端 APIQwen3-Reranker-0.6B/8BSILICONFLOW_API_KEY可選 8B 大模型自帶限速重試與成本統(tǒng)計選項一local-qwen3-0.6b —— 本地運行零調用成本本地實現(xiàn)見 src/3.rank_papers.py 的LocalQwenReranker。它的打分原理很巧妙不取模型輸出文本而是直接讀 tokenizer 中yes/no兩個 token 的 logits做 softmax 后取P(yes)作為相關性分數(shù)分數(shù)越高表示論文越符合你的檢索意圖。需要torchtransformers安裝可選依賴 requirements-local-models.txtCPU 版 torch無 GPU 時自動用 CPU float32 運行可用--rerank-device、--rerank-batch-size調優(yōu)?? 云端模式下DPR_MODELS_REMOTE_ONLY1禁止加載本地模型舊的本地配置會自動改走public-zwwen-rerank。選項二public-zwwen-rerank —— 默認公益重排服務這是工作流的默認 profile。公益服務地址與模型名都寫在 src/3.rank_papers.py 的RERANK_PROFILE_CONFIGS中Key 內置兜底普通用戶 Fork 倉庫后不配任何環(huán)境變量也能直接跑通重排是五分鐘上線體驗的關鍵。選項三siliconflow-qwen3-0.6b —— SiliconFlow 遠端 API遠端客戶端實現(xiàn)在 src/reranker_api.py專為離線實驗與生產(chǎn)切換設計支持 src/reranker_api.py 中的Qwen3-Reranker-0.6B與Qwen3-Reranker-8B兩個尺寸并可隨請求下發(fā)學術論文場景專用的instruction限速自愈遇到 429 / rate limit 自動等待 65 秒重試默認 2 次還可用SILICONFLOW_RERANK_MIN_INTERVAL_SECONDS設置請求間隔GitHub Actions 默認 8 秒成本透明內置 單價表0.6B 約 $0.01/百萬 token8B 約 $0.04/百萬 token運行結束自動輸出 API 調用次數(shù)、延遲 P95 與估算費用遠端每次最多 64 篇RERANK_MAX_DOCUMENTS_PER_REQUEST腳本會自動把本地 100 的 batch 壓縮到遠端上限。重排模式選擇指南環(huán)境變量、命令行與面板三種配置方式選定 profile 后有三種方式告訴系統(tǒng)使用它環(huán)境變量設置RERANK_PROFILE還支持local、zwwen、sf-0.6b等別名自動歸一配合RERANK_PROVIDER/RERANK_MODEL/RERANK_API_BASE_URL微調命令行參數(shù)--rerank-profile、--rerank-provider、--rerank-model見 參數(shù)定義工作流面板在 daily workflow 的 dispatch 輸入中直接選擇reranker_profile見 .github/workflows/daily-paper-reader.yml。前端觸發(fā)時同樣會讀取你在密鑰配置里選的 reranker profileapp/workflows.runner.js如果選的是本地模式但當前運行在云端會自動回落到public-zwwen-rerank避免 Actions 環(huán)境下載模型失敗。# 例一次性用 SiliconFlow 8B 跑一次本地實驗 export RERANK_PROFILEsiliconflow-qwen3-0.6b export RERANK_MODELQwen/Qwen3-Reranker-8B export SILICONFLOW_API_KEYsk-xxxx python src/3.rank_papers.py --input archive/20260306/filtered/arxiv_papers_20260306.json動態(tài)預算策略候選池規(guī)模如何自動計算重排不是把所有論文都打分——調用量必須受控。resolve_global_pool_budget 會根據(jù)論文總量與意圖查詢intent query數(shù)量動態(tài)計算三個預算參數(shù)計算規(guī)則含義lane_top_kmin(30 10 × ?(總數(shù)?1)/1000?, 120)每條召回 lane 最多帶多少候選進池guaranteed_per_lanelane_top_k 的 25%限制在 [5, 20]每條 lane保底進池的候選數(shù)global_pool_limitlane_top_k × 意圖查詢數(shù)限制在 [60, 300]全局 RRF 融合后的候選池上限以 4 個意圖查詢?yōu)槔龜?shù)值來自 tests/test_rank_global_pool.py 的斷言論文總量lane_top_k保底/lane全局池上限1,000 篇3081203,000 篇501220010,000 篇120封頂20封頂300封頂組池邏輯見 build_global_candidate_ids每條 lane 的保底論文固定保留防止冷門方向被擠掉其余名額由全局 RRF1/(60rank)排序補齊去重后交給 reranker。 注意預算只按intent query 數(shù)量放大而關鍵詞召回keyword lane不參與打分。也就是說你在訂閱面板里寫的意圖 Query用于意圖召回與最終打分越多候選池越大、推薦越貼合語義但調用量也越高如果預算不夠用或想壓縮成本可用環(huán)境變量手動覆蓋DPR_RERANK_GLOBAL_POOL_LIMIT如 80 加速、DPR_RERANK_GUARANTEED_PER_LANE如 1 提速、DPR_RERANK_LANE_TOP_K。GitHub Actions 工作流當前固定為120 / 2workflow 配置。從重排星級到日報分數(shù)如何串聯(lián)下游重排得分會先做 min-max 歸一化再按閾值映射成星級score_to_stars歸一化得分星級后續(xù)去向≥ 0.9?????Step 4 重點精分高分可進精讀區(qū)≥ 0.5????進入 Step 4 LLM 精煉4★ 是默認門檻≥ 0.1???直接過濾 0.11-2★直接過濾也就是說4★ 門檻就是重排與 LLM 之間的過濾器——重排預算給得越準進入 DeepSeek 精分的候選越少越精Token 成本和日報質量同時受益。最終你在日報里看到的每篇論文星級正是這條鏈路的產(chǎn)物離線實驗工具驗證你的重排預算與模型尺寸項目內置了兩套裁判式離線實驗工具都用Step 4 DeepSeek 精分結果作為評判標準而不是看重排本身的分數(shù)并按top20_score_sum、score_ge_8等指標自動給出recommended推薦項src/rerank_budget_experiment.py動態(tài)預算策略對比。內置tiny40:1、fast80:1、balanced120:2三檔 profile對比不同候選池規(guī)模下的重排耗時、LLM 耗時與最終質量src/rerank_model_size_experiment.py模型尺寸對比。默認橫評 SiliconFlow 的 0.6B 與 8B額外輸出兩模型 Top20 重合度top20_overlap與 API 成本估算回答大模型值不值。兩者都固定隨機種子--seed 20260503保證分批順序一致、可復現(xiàn)支持--skip-existing斷點續(xù)跑。重排體系速查清單如何三選一?默認/云端運行保持public-zwwen-rerank不動零配置Fork 即用?想完全離線或長期大量跑裝 requirements-local-models.txt選local-qwen3-0.6bCPU 也能跑?追求極致排序質量、可接受小額費用選siliconflow-qwen3-0.6b并把RERANK_MODEL切到 8B先跑一輪rerank_model_size_experiment.py驗證收益再上線?覺得日報候選不夠/太多先調DPR_RERANK_GLOBAL_POOL_LIMIT60–300與DPR_RERANK_GUARANTEED_PER_LANE而不是改代碼?改完配置跑一次預算實驗用 DeepSeek 精分結果對比top20_score_sum數(shù)據(jù)說話。重排體系是 Daily Paper Reader 推薦鏈路中投入產(chǎn)出比最高的調節(jié)旋鈕選對部署方式省心調好動態(tài)預算省錢理解星級門檻才能理解每一篇推薦論文為什么出現(xiàn)在你的日報里。贊分享【免費下載鏈接】daily-paper-reader開源的每日 arXiv / OpenReview 論文推薦與 AI 閱讀平臺支持 GitHub Actions 自動更新、GitHub Pages 部署與論文問答。項目地址https://gitcode.com/gh_mirrors/da/daily-paper-reader點擊查看免費下載相關推薦Millennium性能優(yōu)化技巧讓你的Steam客戶端運行更流暢Millennium性能優(yōu)化技巧讓你的Steam客戶端運行更流暢 Millennium是一款開源低代碼 modding 框架專為桌面版 Steam 客戶端打NeuralRecon代碼實現(xiàn)原理從理論到實踐的全鏈路分析NeuralRecon代碼實現(xiàn)原理從理論到實踐的全鏈路分析 NeuralRecon是一個基于深度學習的實時單目視頻三維重建系統(tǒng)能夠從普通視頻序列中高效構建連計算機視覺深度學習人工智能科研EmojiPackage表情包主題深度解析程序員篇 - 120個經(jīng)典表情包帶你走進程序員的內心世界EmojiPackage表情包主題深度解析程序員篇 120個經(jīng)典表情包帶你走進程序員的內心世界 EmojiPackage表情包資源合集是程序員日常溝通的神器即時通訊上一篇EasyCV性能優(yōu)化終極指南10個技巧讓你的模型快如閃電下一篇Finb/Bark項目解析iOS設備輕量級消息推送方案創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考