近日，国际信息检索领域顶级评测会议TREC（文本检索会议）公布了2025年最新赛果。理光中国研究院自然语言处理研发团队，在两大前沿赛道——Million LLMs Track与Tip-of-the-Tongue Track中表现卓越，均斩获赛道冠军，展现出在智能信息处理与检索技术方面的强大实力。

关于TREC

TREC是由美国国家标准技术研究院（NIST）与国防部于1992年联合发起的国际性评测会议，旨在通过建立大规模标准化测试集与开放评估平台，推动信息检索技术的研发与应用。其核心目标包括：促进基于大规模模型数据的检索研究、搭建产学研交流桥梁、加速实验室技术向商业产品转化，以及发展更适应现代系统的评估方法。历经多年发展，TREC不仅使检索系统性能实现显著提升（前六年效能增长约一倍），其构建的大规模测试集已成为行业标准，多数现代搜索引擎的核心技术均源于TREC的前沿探索。目前，TREC资源已向全球开放，持续赋能学术界与产业界的自主技术评估与创新。

两大前沿赛道的“硬核”突破

赛道一：Million LLMs Track —— 预测大模型“答题力”

随着大型语言模型（LLM）的普及，用户正从传统文档检索转向直接向模型提问以获取答案。不同模型各有所长：有的擅长深度解析，有的专注事实回复，有的覆盖广泛知识，有的深耕垂直领域。在未向模型实际发起查询的情况下，仅凭模型的历史回答样本，预测其对用户问题的回答质量，成为该赛道的核心命题。该任务的核心挑战，一是无标注数据：仅提供查询与模型回复，缺乏模型排名标签；二是数据规模巨大：涵盖1.5万个查询，每个查询涉及1131个模型的回复，总计约1700万对数据。理光基于自研大模型RLM，凭借创新的算法设计与高效实现，荣获该赛道第一名。

赛道二：Tip-of-the-Tongue Track —— 破解“话在嘴边”搜索难题

所谓“话在嘴边（Tip-of-the-Tongue）”现象，是指从记忆中部分想起，或“即将想起”，但却无法准确回忆起某事的现象。例如：明明记得某部电影的情节片段、某首歌的旋律或某本书的大意，却怎么也想起它的名字。该任务要求系统根据用户零散、模糊、甚至带有错误的描述，从整个维基百科中精准定位唯一对应的实体。任务面临着三项核心挑战：首先，查询多为自然语言长文本，必须超越传统的关键词匹配，深入理解语义与上下文，并支持多步推理；其次，用户记忆的表达方式复杂且本身不可靠，往往掺杂着主观感受、模糊信息甚至错误内容；最后，任务要求从上百万百科条目中精准找出唯一正确答案，在庞大的搜索空间中实现精确匹配。理光设计并构建了一套融合大模型能力的多层次、高鲁棒性检索系统，在面向复杂、模糊的真实用户查询场景时，展现出准确的意图理解能力和高效率、高精度的信息检索能力，最终斩获冠军。

技术为实，价值为向

此次在TREC的双赛道夺冠，是理光在自然语言处理与信息检索领域技术实力的有力证明，也是理光在推动数字化转型道路上迈出的坚实一步。

技术的根本价值，在于解决真实世界的课题。无论是提升知识管理效率，还是助力智能制造与先进医疗的发展，理光始终致力于将前沿认知智能技术，转化为可落地、可协作、可延展的系统能力。

未来，我们期待与更多合作伙伴携手，共同拓展智能技术的应用边界，赋能全球数字生态的持续创新与蓬勃发展。