2026年3月6日，由中国科学院信息工程研究所与澜舟科技联合完成的研究成果‘LightRetriever’被国际机器学习顶会ICLR 2026接收，并获评‘杰出论文奖’。该工作对沿用三十年的传统信息检索范式发起根本性质疑：在绝大多数实际场景中，查询（Query）端的深度语义建模不仅非必需，反而成为性能瓶颈。研究团队提出‘极致非对称Embedding架构’，将全部计算负荷迁移至文档（Doc）侧编码，查询端仅需一次词元查表（Lookup）与均值聚合即可生成向量，彻底取消LLM前向传播。这一设计使查询编码速度提升1024倍，端到端吞吐量（QPS）达传统对称模型的12.7倍，而检索精度（nDCG@10）仍保持在对称模型的94.8%。

技术实现上，LightRetriever创新性地采用‘文档感知的查询稀疏化’策略：在Doc侧编码器中嵌入轻量级查询适配模块，使每个文档向量隐式携带对高频查询模式的响应偏好；查询向量则退化为‘路由信号’，仅激活文档向量中与其语义最相关的子空间。在BeIR英文与CMTEB-Retrieval中文基准测试中，其在金融、法律、医疗等专业领域检索任务上表现尤为突出，长尾查询召回率提升达41.6%。

该成果已催生新一代企业搜索基础设施。蚂蚁集团已将其集成至‘蚁鉴’风控知识图谱，支撑日均3.2亿次实时欺诈线索检索；国家知识产权局上线基于LightRetriever的‘专利快搜’系统，审查员输入技术方案关键词，0.3秒内即可定位全球相似专利簇。业内专家指出，这项研究标志着AI检索正从‘模型驱动’迈入‘架构驱动’新阶段——算力不应浪费在重复计算上，而应精准投向真正产生价值的环节。目前，LightRetriever模型与训练框架已在Hugging Face开源，支持PyTorch/TensorFlow双后端，成为2026年最受关注的工业级Embedding解决方案。