InPars+

InPars+数据集是由阿姆斯特丹大学的研究团队开发的，用于信息检索系统的人工合成数据生成。该数据集通过InPars Toolkit生成，这是一个可重复的、端到端的人工合成数据生成框架，利用大型语言模型（LLM）进行训练数据生成。数据集的大小、数据量和Tokens数等信息在论文中没有明确提及。InPars+数据集旨在解决信息检索模型训练数据不足的问题，通过合成相关查询来提高模型的检索性能。

搜集汇总

数据集介绍

构建方式

在神经信息检索领域，高质量标注数据的稀缺性长期制约着模型性能的提升。InPars+数据集通过构建端到端的合成查询生成流程，采用大型语言模型作为查询生成器，为文档自动生成相关查询。该流程首先基于目标文档和预设提示模板生成候选查询，随后通过对比偏好优化技术微调生成模型，并引入动态提示优化机制替代静态模板，显著提升了生成查询的语义相关性和多样性。

特点

该数据集的核心特征体现在其创新的质量优化策略上。通过对比偏好优化方法，生成模型能够从教师模型中蒸馏知识，有效减少噪声查询的生成比例。动态提示优化技术结合思维链推理，使模型能够自适应地解析文档内容并生成结构化的查询。此外，数据集采用混合评分机制，融合语义编码相似度和BM25统计特征，确保查询-文档对的相关性评估兼具语义敏感性和词汇匹配精度。

使用方法

该数据集为信息检索研究提供了完整的实验范式。研究者可首先利用合成查询数据对重排序模型进行微调，通过BM25初筛和神经重排序的两阶段流程提升检索性能。数据集支持零样本迁移设定，其预训练生成模型可直接应用于新领域文档的查询生成。实验配置允许灵活调整过滤阈值，通过控制训练数据规模平衡计算效率与模型性能，为资源受限场景提供实用解决方案。

背景与挑战

背景概述

InPars+数据集由阿姆斯特丹大学研究团队于2025年提出，聚焦于神经信息检索领域中的合成数据生成技术。该研究基于InPars工具包构建，旨在通过大型语言模型生成高质量训练数据，解决传统信息检索模型对人工标注数据依赖过强的问题。其核心创新在于引入对比偏好优化与动态提示工程技术，显著提升了合成查询的语义相关性与数据利用率，为低资源场景下的检索模型训练提供了新的技术路径。

当前挑战

该数据集面临双重挑战：在领域问题层面，需突破合成查询质量与检索性能间的平衡难题，传统方法因生成噪声过高导致90%数据被废弃；在构建过程中，静态提示模板的局限性制约了跨领域适应性，而对比偏好优化的三重评分机制与动态提示的链式推理设计，均对计算资源与算法稳定性提出更高要求。

常用场景

经典使用场景

在神经信息检索领域，InPars+数据集通过合成查询生成机制，为训练文档重排序模型提供了高质量数据源。其经典应用体现在利用大型语言模型生成与目标文档语义匹配的查询，通过对比偏好优化和动态提示技术，显著提升了合成数据的质量与多样性，成为信息检索系统开发中不可或缺的训练资源。

实际应用

在实际应用中，InPars+数据集被广泛部署于学术文献检索、医疗文档分析等专业领域。其生成的合成查询能够有效训练重排序模型，提升搜索引擎在科学事实核查、专业文档检索等场景下的准确率。该技术还可迁移至企业级文档管理系统，显著改善知识检索效率。

衍生相关工作

基于InPars+数据集衍生了多项重要研究，包括采用对比偏好优化的生成模型改进、基于DSPy框架的动态提示工程，以及轻量级重排序模型的蒸馏技术。这些工作共同推动了合成数据生成管道的演进，为Promptagator、InPars-V2等后续研究提供了关键理论基础和实践范式。