LAMAR · Language-Aware Multilingual Alignment Reranker

• arXiv 链接:https://arxiv.org/abs/2607.22042
• video-kb 脚本原路径:/shared/video-kb/scripts/tom/2026-07-28_R1_lamar-multilingual-alignment-reranker-short-video-script.md

1. 标题与观众

• 标题:LAMAR · 让多语 Reranker 选对语言
• 目标观众:AI 工程师 / RAG 系统架构师 / 多语 NLP 工程师
• 一句话核心观点:多语 reranker 不看文档语言,跨语料排序会跑偏。

3. 45-90 秒口播稿

多语 RAG 的工程师被语言偏好卡住了。同一个问题,中英日韩法五种语言的文档同时被召回来,现有的 multilingual reranker 只看语义,不看语言,结果英文训练数据多,英文文档就总被排到最前面,LLM 还要跨语言理解一遍,跨语噪声传下去,答案质量就被稀释了。

LAMAR 把这个坑修掉了。它分两步走:第一步,英文锚定 Relevance 蒸馏——用英文的高质量 relevance 信号当统一锚点,把所有语言的评分标准对齐到同一个 teacher 基准,跨语言的分数不再系统性偏高。第二步,语言一致性偏好对齐——当多个文档语义接近时,reranker 把和查询同语言的文档排到前面,语言同质性变成了 tie-breaker。

两步合在一起,reranker 同时建模语义相关性和语言同质性,语言一致性和通用多语 reranking 双双 SOTA,模型已经开源。如果你的 RAG 服务多语言用户,reranker 这层换一下,是端到端质量提升性价比最高的一刀。

4. 镜头分镜

• scene-1 · 8s · 标题卡 · 画面:LAMAR · 让多语 Reranker 选对语言 · 元素:大字标题 + 论文署名带 · 运动:淡入。
• scene-2 · 7s · 痛点三栏 · 画面:痛点三件套卡片 · 元素:多语 RAG 排序不稳 / reranker 偏好英文 / 跨语噪声传递 · 运动:三栏依次推入。
• scene-3 · 9s · 机制三栏 · 画面:训练流程图 · 元素:英文锚定 / 相关性对齐 / 语言一致性偏好对齐 · 运动:由左向右流动连线。
• scene-4 · 10s · 证据大数字 · 画面:pipeline 可视化 · 元素:retriever → candidates mixed languages → reranker LAMAR → ranked docs → LLM answer · 运动:流水线横向推进。
• scene-5 · 8s · 风险卡三件套 · 画面:双行排版警示卡 · 元素:cs.IR 主分类实测 / GitHub 代码未公开 / 中英迁移性待实测 · 运动:三件套逐张闪入。
• scene-6 · 7s · 行动卡 · 画面:三个判断点列表 · 元素:60-90 天接入 / 哪个组件先用 / 风险核验 · 运动:逐行下推。
• scene-7 · 7s · 落版卡 · 画面:跨议题视角图 · 元素:multilingual reranker 跨语种偏好修复 · 与近三轮完全不同视角 · 运动:静止停留。