在检索增强生成（RAG）系统中，稠密检索器（Dense Retriever）负责从海量文档库中快速找出与查询语义最相关的段落，是整个系统的核心基础组件。
然而，训练一个高质量的稠密检索器并不容易。对比学习（Contrastive Learning）长期以来是这一领域的主流范式，但存在几个根本性局限：
- 严重依赖人工标注数据：需要精心构造查询 - 文档正负样本对，在代码、法律等专业领域标注成本极高；
- 难负样本的困境：随机负样本信号太弱，难负样本挖掘又引入额外复杂性；
- 与语言模型预训练目标割裂：对比损失与主流大模型的预训练范式（下一词预测）天然不兼容，难以充分复用预训练知识。
这些问题在专业领域和推理密集型检索场景下尤为突出。能否找到一条更自然、更统一的检索器训练路径？来自德国达姆施塔特工业大学（TU Darmstadt）的蔡丰宇及其来自华盛顿大学、卡内基梅隆大学、微软和腾讯 AI 实验室的合作者给出了一个优雅的答案 -Revela：Dense Retriever Learning via Language Modeling，并凭借这一回答斩获ICLR 2026 Oral（约 1.1% 录取率） 和FrontierIR @ AAAI 2026 最佳论文奖
- 论文链接：https://openreview.net/forum?id=e7pAjJZJWb
- 代码链接：https://github.com/TRUMANCFY/Revela
- 模型链接：https://huggingface.co/trumancai/Revela-3b
核心思路：让检索「像语言模型一样学习」
Revela 的核心洞察在于：将稠密检索器的训练目标统一到语言建模框架之下。
语言模型（LM）通过 "预测下一个 token" 来建模 token 之间的依赖关系。Revela 将这一思路类比到检索：如果说 LM 建模的是 token 之间的依赖，那么检索器建模的就是文本块（chunk）之间的依赖
具体而言，Revela 引入了一种批内注意力机制（In-batch Attention）：在语言建模时，一个序列的下一词预测不仅条件于自身上文，还通过检索器计算的相似度权重，动态地参考批次中其他相关文档。如图 1 中，红色文本块在预测下一词时 "参考" 了语义相近的紫色文本块，这一过程反过来驱动检索器提高两者之间的相似度分数。检索器的相似度分数就此直接嵌入语言建模的优化目标，实现检索器与语言模型的联合端到端训练，无需任何人工标注的查询 - 文档对
图 1：Revela 训练框架。检索器相似度分数作为批内注意力权重，与语言模型联合端到端训练。红、紫序列中高亮片段展示了检索器如何学会关联语义相近的文本块。
这一设计带来了三个关键优势：
- 训练目标与预训练高度一致：语言建模正是大模型预训练所采用的目标，Revela 与之天然对齐，能充分激活预训练模型中已有的语义理解能力。
- 完全自监督，无需标注：原始文本自身的上下文关系即构成训练信号，大幅降低对人工标注的依赖，使方法在数据稀缺的专业领域具备天然优势。
- 可扩展性强：实验表明，随着检索器规模（从 135M 到 3B）、语言模型规模和批大小的增大，性能持续稳定提升，展现出良好的 Scaling 特性。
方法架构
Revela 的整体架构由两部分组成：负责编码文本，计算相似度的检索器，以及提供语言建模训练信号的语言模型，二者在训练过程中联合优化。
图 2：Revela 的 Transformer Block 架构。
核心创新集中在 LM 的 Transformer Block 内部（图 2）。每一层同时运行两条并行的注意力路径：标准自注意力处理单条序列内部的上下文依赖，输出 ei；批内注意力则在此基础上引入跨文档维度：先对序列自身做自注意力得到 si，再以检索器输出的相似度分数为权重，对批次内其他文档的自注意力输出 ej做交叉注意力并加权聚合得到 bi，最终输出 hi= si+ bi。其中，检索器将批次内所有文档编码为向量，通过两两余弦相似度并经 softmax 归一化，得到文档间的相似度权重矩阵，直接作为批内注意力的聚合权重。
值得注意的是，跨文档注意力的 Key 和 Value 均来自其他文档的 ej，而非 hj，这一设计使批内注意力能够使用只含有序列内部信息的自注意力。两路路径对应图 2 注意力图中左上与右下两个区域，最终输出相加后送入前馈层，共同驱动下一词预测目标。这一设计使检索器的相似度分数直接参与 LM 的反向传播，检索器由此得以被端到端优化。
在训练数据构建上，Revela 将文档切分为 chunk 并分批，确保每个 batch 内包含语义相关的片段，使语言建模信号天然对应有意义的跨文本依赖。训练数据方面，通用检索使用约 34 万篇维基百科文档，代码检索使用 StackOverflow 帖子、技术教程和库文档，均无需任何人工标注的查询-文档对。
实验效果：无标注数据，超越商业 API
Revela 在三大权威基准上进行了系统评估，分别覆盖代码检索（CoIR）推理密集型检索（BRIGHT）通用信息检索（BEIR）三个维度。
表 1：CoIR 代码检索基准上各模型的检索性能（nDCG@10，%）。
代码检索（CoIR）： Revela-3B 在 10 项任务平均 nDCG@10 达到 60.1，在无需任何查询 - 文档标注对的前提下，超越了使用海量标注数据训练的 7B 参数有监督模型 E5-Mistral-7b-Instruct（57.3）以及 OpenAI Ada-002（45.6）、Voyage-Code-002（56.3）两个商业 API。在 0.5B 参数规模下，Revela 即超越了同样覆盖代码语料、用 2.7 亿标注对训练的 E5-PT，领先约 10 个百分点。
图 3：BRIGHT（左）与 BEIR（右）基准上的检索性能对比（nDCG@10，%）。
推理密集检索（BRIGHT）： Revela-3B 平均 nDCG@10 达到 20.1，仅凭维基百科文本训练，便超越了 E5-Mistral-7b-Instruct（17.9）以及 text-embedding-3-large（OpenAI，17.9）、voyage-large-2-instruct（Voyage，17.9）、cohere-embed-english-v3.0（Cohere，16.6）等主流商业 API，充分体现了语言建模目标对深层语义推理能力的激活效果。
通用检索（BEIR）： Revela-3B 与弱监督基线 E5-PT 持平（均为 45.6），但所用训练数据约为其 1/1000，使用计算资源仅为其 1/10，极大降低了训练成本。
意义与展望
Revela 将稠密检索器的训练与语言建模范式统一，打开了多个值得探索的方向：
动态索引构建：Revela 目前通过文档分块来保证 batch 内的语义相关性，更理想的做法是用模型的实时表示对 chunk 动态分组，但这意味着需要在训练过程中持续更新索引，计算成本是亟待解决的挑战。模型与数据的进一步扩展：实验已验证 Revela 在模型规模和 batch 大小上具备良好的 Scaling 特性，扩大训练语料覆盖范围、引入更高效的注意力机制，有望带来进一步的性能提升。反哺语言模型训练：Revela 目前将 LM 视为辅助的训练信号来源，但检索器所学到的文本间语义关联，同样可以反过来用于指导 LM 的 batch 构建，探索对语言模型本身的改善潜力。
该成果已以 Oral 形式发表于顶级 AI 会议 ICLR 2026。本届 ICLR 共收到近两万篇投稿，Oral 仅 两百余篇，录取率约 1.1%，是对 Revela 在自监督检索学习领域创新价值的高度认可。
作者介绍
蔡丰宇，德国达姆施塔特工业大学（TU Darmstadt）四年级博士，师从 ACL fellow，前 ACL 主席 Iryna Gurevych 教授及 Heinz Koeppl 教授。他研究方向涵盖稠密检索、RAG 及 AI for science，在 ICLR，ACL， EMNLP，CVPR 等会议上发表论文十余篇。本硕分别毕业于香港科技大学（HKUST）与洛桑联邦理工学院（EPFL）。
热门跟贴