【免费下载链接】daily-paper-reader开源的每日 arXiv / OpenReview 论文推荐与 AI 阅读平台支持 GitHub Actions 自动更新、GitHub Pages 部署与论文问答。项目地址https://gitcode.com/gh_mirrors/da/daily-paper-reader点击查看免费下载Daily Paper Reader 是一个开源的每日 arXiv / OpenReview 论文推荐与 AI 阅读平台其每日推荐质量的核心之一就是rerank 重排体系召回阶段筛出大量候选论文后由 Qwen3-Reranker 模型对候选池做精排打分再交给 LLM 精炼出最终日报。本文将完整讲清重排的本地 / 远端三选一部署方式以及动态预算策略如何决定候选池规模帮助你快速选对配置、跑出更准的论文推荐。重排体系的位置为什么 Step 3 决定推荐质量Daily Paper Reader 的每日流水线共 7 步抓取 → BM25 关键词召回 → 向量语义召回 → RRF 融合 →Rerank 重排Step 3→ LLM 精炼打分Step 4→ 生成日报Step 6。重排的价值在于BM25 和向量召回擅长广撒网但各路分数量纲不同、噪声也各有侧重。Step 3 会把所有召回 lane 合并成一个统一候选池再由 Qwen3-Reranker 逐条判断这篇论文的标题摘要是否满足你的研究意图输出相关性得分。可以说Step 4 的 LLM 精分、Step 5 的精读/速读分区全部建立在重排给出的星级门槛之上。整个后端链路中Rerank 紧跟在 RetrievalBM25/Embedding/RRF之后、LLM Refine 之前重排结果写入archive/date/rank/供后续步骤消费。Qwen3-Reranker 三选一本地、公益与 SiliconFlow 部署对比重排脚本 src/3.rank_papers.py 内置了三个 rerank profile预设配置同一套代码只需换一个名字即可切换部署方式Profile运行位置默认模型鉴权特点local-qwen3-0.6b本地 CPU/GPUQwen/Qwen3-Reranker-0.6B无零调用成本离线可跑需安装重依赖public-zwwen-rerank远端公益服务zwwen.onlineQwen/Qwen3-Reranker-0.6B内置公益 Key免配置默认选项Fork 即用siliconflow-qwen3-0.6bSiliconFlow 远端 APIQwen3-Reranker-0.6B/8BSILICONFLOW_API_KEY可选 8B 大模型自带限速重试与成本统计选项一local-qwen3-0.6b —— 本地运行零调用成本本地实现见 src/3.rank_papers.py 的LocalQwenReranker。它的打分原理很巧妙不取模型输出文本而是直接读 tokenizer 中yes/no两个 token 的 logits做 softmax 后取P(yes)作为相关性分数分数越高表示论文越符合你的检索意图。需要torchtransformers安装可选依赖 requirements-local-models.txtCPU 版 torch无 GPU 时自动用 CPU float32 运行可用--rerank-device、--rerank-batch-size调优⚠️ 云端模式下DPR_MODELS_REMOTE_ONLY1禁止加载本地模型旧的本地配置会自动改走public-zwwen-rerank。选项二public-zwwen-rerank —— 默认公益重排服务这是工作流的默认 profile。公益服务地址与模型名都写在 src/3.rank_papers.py 的RERANK_PROFILE_CONFIGS中Key 内置兜底普通用户 Fork 仓库后不配任何环境变量也能直接跑通重排是五分钟上线体验的关键。选项三siliconflow-qwen3-0.6b —— SiliconFlow 远端 API远端客户端实现在 src/reranker_api.py专为离线实验与生产切换设计支持 src/reranker_api.py 中的Qwen3-Reranker-0.6B与Qwen3-Reranker-8B两个尺寸并可随请求下发学术论文场景专用的instruction限速自愈遇到 429 / rate limit 自动等待 65 秒重试默认 2 次还可用SILICONFLOW_RERANK_MIN_INTERVAL_SECONDS设置请求间隔GitHub Actions 默认 8 秒成本透明内置 单价表0.6B 约 $0.01/百万 token8B 约 $0.04/百万 token运行结束自动输出 API 调用次数、延迟 P95 与估算费用远端每次最多 64 篇RERANK_MAX_DOCUMENTS_PER_REQUEST脚本会自动把本地 100 的 batch 压缩到远端上限。重排模式选择指南环境变量、命令行与面板三种配置方式选定 profile 后有三种方式告诉系统使用它环境变量设置RERANK_PROFILE还支持local、zwwen、sf-0.6b等别名自动归一配合RERANK_PROVIDER/RERANK_MODEL/RERANK_API_BASE_URL微调命令行参数--rerank-profile、--rerank-provider、--rerank-model见 参数定义工作流面板在 daily workflow 的 dispatch 输入中直接选择reranker_profile见 .github/workflows/daily-paper-reader.yml。前端触发时同样会读取你在密钥配置里选的 reranker profileapp/workflows.runner.js如果选的是本地模式但当前运行在云端会自动回落到public-zwwen-rerank避免 Actions 环境下载模型失败。# 例一次性用 SiliconFlow 8B 跑一次本地实验 export RERANK_PROFILEsiliconflow-qwen3-0.6b export RERANK_MODELQwen/Qwen3-Reranker-8B export SILICONFLOW_API_KEYsk-xxxx python src/3.rank_papers.py --input archive/20260306/filtered/arxiv_papers_20260306.json动态预算策略候选池规模如何自动计算重排不是把所有论文都打分——调用量必须受控。resolve_global_pool_budget 会根据论文总量与意图查询intent query数量动态计算三个预算参数计算规则含义lane_top_kmin(30 10 × ⌊(总数−1)/1000⌋, 120)每条召回 lane 最多带多少候选进池guaranteed_per_lanelane_top_k 的 25%限制在 [5, 20]每条 lane保底进池的候选数global_pool_limitlane_top_k × 意图查询数限制在 [60, 300]全局 RRF 融合后的候选池上限以 4 个意图查询为例数值来自 tests/test_rank_global_pool.py 的断言论文总量lane_top_k保底/lane全局池上限1,000 篇3081203,000 篇501220010,000 篇120封顶20封顶300封顶组池逻辑见 build_global_candidate_ids每条 lane 的保底论文固定保留防止冷门方向被挤掉其余名额由全局 RRF1/(60rank)排序补齐去重后交给 reranker。 注意预算只按intent query 数量放大而关键词召回keyword lane不参与打分。也就是说你在订阅面板里写的意图 Query用于意图召回与最终打分越多候选池越大、推荐越贴合语义但调用量也越高如果预算不够用或想压缩成本可用环境变量手动覆盖DPR_RERANK_GLOBAL_POOL_LIMIT如 80 加速、DPR_RERANK_GUARANTEED_PER_LANE如 1 提速、DPR_RERANK_LANE_TOP_K。GitHub Actions 工作流当前固定为120 / 2workflow 配置。从重排星级到日报分数如何串联下游重排得分会先做 min-max 归一化再按阈值映射成星级score_to_stars归一化得分星级后续去向≥ 0.9⭐⭐⭐⭐⭐Step 4 重点精分高分可进精读区≥ 0.5⭐⭐⭐⭐进入 Step 4 LLM 精炼4★ 是默认门槛≥ 0.1⭐⭐⭐直接过滤 0.11-2★直接过滤也就是说4★ 门槛就是重排与 LLM 之间的过滤器——重排预算给得越准进入 DeepSeek 精分的候选越少越精Token 成本和日报质量同时受益。最终你在日报里看到的每篇论文星级正是这条链路的产物离线实验工具验证你的重排预算与模型尺寸项目内置了两套裁判式离线实验工具都用Step 4 DeepSeek 精分结果作为评判标准而不是看重排本身的分数并按top20_score_sum、score_ge_8等指标自动给出recommended推荐项src/rerank_budget_experiment.py动态预算策略对比。内置tiny40:1、fast80:1、balanced120:2三档 profile对比不同候选池规模下的重排耗时、LLM 耗时与最终质量src/rerank_model_size_experiment.py模型尺寸对比。默认横评 SiliconFlow 的 0.6B 与 8B额外输出两模型 Top20 重合度top20_overlap与 API 成本估算回答大模型值不值。两者都固定随机种子--seed 20260503保证分批顺序一致、可复现支持--skip-existing断点续跑。重排体系速查清单如何三选一✅默认/云端运行保持public-zwwen-rerank不动零配置Fork 即用✅想完全离线或长期大量跑装 requirements-local-models.txt选local-qwen3-0.6bCPU 也能跑✅追求极致排序质量、可接受小额费用选siliconflow-qwen3-0.6b并把RERANK_MODEL切到 8B先跑一轮rerank_model_size_experiment.py验证收益再上线✅觉得日报候选不够/太多先调DPR_RERANK_GLOBAL_POOL_LIMIT60–300与DPR_RERANK_GUARANTEED_PER_LANE而不是改代码✅改完配置跑一次预算实验用 DeepSeek 精分结果对比top20_score_sum数据说话。重排体系是 Daily Paper Reader 推荐链路中投入产出比最高的调节旋钮选对部署方式省心调好动态预算省钱理解星级门槛才能理解每一篇推荐论文为什么出现在你的日报里。赞分享【免费下载链接】daily-paper-reader开源的每日 arXiv / OpenReview 论文推荐与 AI 阅读平台支持 GitHub Actions 自动更新、GitHub Pages 部署与论文问答。项目地址https://gitcode.com/gh_mirrors/da/daily-paper-reader点击查看免费下载相关推荐Millennium性能优化技巧让你的Steam客户端运行更流畅Millennium性能优化技巧让你的Steam客户端运行更流畅 Millennium是一款开源低代码 modding 框架专为桌面版 Steam 客户端打NeuralRecon代码实现原理从理论到实践的全链路分析NeuralRecon代码实现原理从理论到实践的全链路分析 NeuralRecon是一个基于深度学习的实时单目视频三维重建系统能够从普通视频序列中高效构建连计算机视觉深度学习人工智能科研EmojiPackage表情包主题深度解析程序员篇 - 120个经典表情包带你走进程序员的内心世界EmojiPackage表情包主题深度解析程序员篇 120个经典表情包带你走进程序员的内心世界 EmojiPackage表情包资源合集是程序员日常沟通的神器即时通讯上一篇EasyCV性能优化终极指南10个技巧让你的模型快如闪电下一篇Finb/Bark项目解析iOS设备轻量级消息推送方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Daily Paper Reader 重排体系完全指南：Qwen3-Reranker 本地/远端三选一与动态预算策略
【免费下载链接】daily-paper-reader开源的每日 arXiv / OpenReview 论文推荐与 AI 阅读平台支持 GitHub Actions 自动更新、GitHub Pages 部署与论文问答。项目地址https://gitcode.com/gh_mirrors/da/daily-paper-reader点击查看免费下载Daily Paper Reader 是一个开源的每日 arXiv / OpenReview 论文推荐与 AI 阅读平台其每日推荐质量的核心之一就是rerank 重排体系召回阶段筛出大量候选论文后由 Qwen3-Reranker 模型对候选池做精排打分再交给 LLM 精炼出最终日报。本文将完整讲清重排的本地 / 远端三选一部署方式以及动态预算策略如何决定候选池规模帮助你快速选对配置、跑出更准的论文推荐。重排体系的位置为什么 Step 3 决定推荐质量Daily Paper Reader 的每日流水线共 7 步抓取 → BM25 关键词召回 → 向量语义召回 → RRF 融合 →Rerank 重排Step 3→ LLM 精炼打分Step 4→ 生成日报Step 6。重排的价值在于BM25 和向量召回擅长广撒网但各路分数量纲不同、噪声也各有侧重。Step 3 会把所有召回 lane 合并成一个统一候选池再由 Qwen3-Reranker 逐条判断这篇论文的标题摘要是否满足你的研究意图输出相关性得分。可以说Step 4 的 LLM 精分、Step 5 的精读/速读分区全部建立在重排给出的星级门槛之上。整个后端链路中Rerank 紧跟在 RetrievalBM25/Embedding/RRF之后、LLM Refine 之前重排结果写入archive/date/rank/供后续步骤消费。Qwen3-Reranker 三选一本地、公益与 SiliconFlow 部署对比重排脚本 src/3.rank_papers.py 内置了三个 rerank profile预设配置同一套代码只需换一个名字即可切换部署方式Profile运行位置默认模型鉴权特点local-qwen3-0.6b本地 CPU/GPUQwen/Qwen3-Reranker-0.6B无零调用成本离线可跑需安装重依赖public-zwwen-rerank远端公益服务zwwen.onlineQwen/Qwen3-Reranker-0.6B内置公益 Key免配置默认选项Fork 即用siliconflow-qwen3-0.6bSiliconFlow 远端 APIQwen3-Reranker-0.6B/8BSILICONFLOW_API_KEY可选 8B 大模型自带限速重试与成本统计选项一local-qwen3-0.6b —— 本地运行零调用成本本地实现见 src/3.rank_papers.py 的LocalQwenReranker。它的打分原理很巧妙不取模型输出文本而是直接读 tokenizer 中yes/no两个 token 的 logits做 softmax 后取P(yes)作为相关性分数分数越高表示论文越符合你的检索意图。需要torchtransformers安装可选依赖 requirements-local-models.txtCPU 版 torch无 GPU 时自动用 CPU float32 运行可用--rerank-device、--rerank-batch-size调优⚠️ 云端模式下DPR_MODELS_REMOTE_ONLY1禁止加载本地模型旧的本地配置会自动改走public-zwwen-rerank。选项二public-zwwen-rerank —— 默认公益重排服务这是工作流的默认 profile。公益服务地址与模型名都写在 src/3.rank_papers.py 的RERANK_PROFILE_CONFIGS中Key 内置兜底普通用户 Fork 仓库后不配任何环境变量也能直接跑通重排是五分钟上线体验的关键。选项三siliconflow-qwen3-0.6b —— SiliconFlow 远端 API远端客户端实现在 src/reranker_api.py专为离线实验与生产切换设计支持 src/reranker_api.py 中的Qwen3-Reranker-0.6B与Qwen3-Reranker-8B两个尺寸并可随请求下发学术论文场景专用的instruction限速自愈遇到 429 / rate limit 自动等待 65 秒重试默认 2 次还可用SILICONFLOW_RERANK_MIN_INTERVAL_SECONDS设置请求间隔GitHub Actions 默认 8 秒成本透明内置 单价表0.6B 约 $0.01/百万 token8B 约 $0.04/百万 token运行结束自动输出 API 调用次数、延迟 P95 与估算费用远端每次最多 64 篇RERANK_MAX_DOCUMENTS_PER_REQUEST脚本会自动把本地 100 的 batch 压缩到远端上限。重排模式选择指南环境变量、命令行与面板三种配置方式选定 profile 后有三种方式告诉系统使用它环境变量设置RERANK_PROFILE还支持local、zwwen、sf-0.6b等别名自动归一配合RERANK_PROVIDER/RERANK_MODEL/RERANK_API_BASE_URL微调命令行参数--rerank-profile、--rerank-provider、--rerank-model见 参数定义工作流面板在 daily workflow 的 dispatch 输入中直接选择reranker_profile见 .github/workflows/daily-paper-reader.yml。前端触发时同样会读取你在密钥配置里选的 reranker profileapp/workflows.runner.js如果选的是本地模式但当前运行在云端会自动回落到public-zwwen-rerank避免 Actions 环境下载模型失败。# 例一次性用 SiliconFlow 8B 跑一次本地实验 export RERANK_PROFILEsiliconflow-qwen3-0.6b export RERANK_MODELQwen/Qwen3-Reranker-8B export SILICONFLOW_API_KEYsk-xxxx python src/3.rank_papers.py --input archive/20260306/filtered/arxiv_papers_20260306.json动态预算策略候选池规模如何自动计算重排不是把所有论文都打分——调用量必须受控。resolve_global_pool_budget 会根据论文总量与意图查询intent query数量动态计算三个预算参数计算规则含义lane_top_kmin(30 10 × ⌊(总数−1)/1000⌋, 120)每条召回 lane 最多带多少候选进池guaranteed_per_lanelane_top_k 的 25%限制在 [5, 20]每条 lane保底进池的候选数global_pool_limitlane_top_k × 意图查询数限制在 [60, 300]全局 RRF 融合后的候选池上限以 4 个意图查询为例数值来自 tests/test_rank_global_pool.py 的断言论文总量lane_top_k保底/lane全局池上限1,000 篇3081203,000 篇501220010,000 篇120封顶20封顶300封顶组池逻辑见 build_global_candidate_ids每条 lane 的保底论文固定保留防止冷门方向被挤掉其余名额由全局 RRF1/(60rank)排序补齐去重后交给 reranker。 注意预算只按intent query 数量放大而关键词召回keyword lane不参与打分。也就是说你在订阅面板里写的意图 Query用于意图召回与最终打分越多候选池越大、推荐越贴合语义但调用量也越高如果预算不够用或想压缩成本可用环境变量手动覆盖DPR_RERANK_GLOBAL_POOL_LIMIT如 80 加速、DPR_RERANK_GUARANTEED_PER_LANE如 1 提速、DPR_RERANK_LANE_TOP_K。GitHub Actions 工作流当前固定为120 / 2workflow 配置。从重排星级到日报分数如何串联下游重排得分会先做 min-max 归一化再按阈值映射成星级score_to_stars归一化得分星级后续去向≥ 0.9⭐⭐⭐⭐⭐Step 4 重点精分高分可进精读区≥ 0.5⭐⭐⭐⭐进入 Step 4 LLM 精炼4★ 是默认门槛≥ 0.1⭐⭐⭐直接过滤 0.11-2★直接过滤也就是说4★ 门槛就是重排与 LLM 之间的过滤器——重排预算给得越准进入 DeepSeek 精分的候选越少越精Token 成本和日报质量同时受益。最终你在日报里看到的每篇论文星级正是这条链路的产物离线实验工具验证你的重排预算与模型尺寸项目内置了两套裁判式离线实验工具都用Step 4 DeepSeek 精分结果作为评判标准而不是看重排本身的分数并按top20_score_sum、score_ge_8等指标自动给出recommended推荐项src/rerank_budget_experiment.py动态预算策略对比。内置tiny40:1、fast80:1、balanced120:2三档 profile对比不同候选池规模下的重排耗时、LLM 耗时与最终质量src/rerank_model_size_experiment.py模型尺寸对比。默认横评 SiliconFlow 的 0.6B 与 8B额外输出两模型 Top20 重合度top20_overlap与 API 成本估算回答大模型值不值。两者都固定随机种子--seed 20260503保证分批顺序一致、可复现支持--skip-existing断点续跑。重排体系速查清单如何三选一✅默认/云端运行保持public-zwwen-rerank不动零配置Fork 即用✅想完全离线或长期大量跑装 requirements-local-models.txt选local-qwen3-0.6bCPU 也能跑✅追求极致排序质量、可接受小额费用选siliconflow-qwen3-0.6b并把RERANK_MODEL切到 8B先跑一轮rerank_model_size_experiment.py验证收益再上线✅觉得日报候选不够/太多先调DPR_RERANK_GLOBAL_POOL_LIMIT60–300与DPR_RERANK_GUARANTEED_PER_LANE而不是改代码✅改完配置跑一次预算实验用 DeepSeek 精分结果对比top20_score_sum数据说话。重排体系是 Daily Paper Reader 推荐链路中投入产出比最高的调节旋钮选对部署方式省心调好动态预算省钱理解星级门槛才能理解每一篇推荐论文为什么出现在你的日报里。赞分享【免费下载链接】daily-paper-reader开源的每日 arXiv / OpenReview 论文推荐与 AI 阅读平台支持 GitHub Actions 自动更新、GitHub Pages 部署与论文问答。项目地址https://gitcode.com/gh_mirrors/da/daily-paper-reader点击查看免费下载相关推荐Millennium性能优化技巧让你的Steam客户端运行更流畅Millennium性能优化技巧让你的Steam客户端运行更流畅 Millennium是一款开源低代码 modding 框架专为桌面版 Steam 客户端打NeuralRecon代码实现原理从理论到实践的全链路分析NeuralRecon代码实现原理从理论到实践的全链路分析 NeuralRecon是一个基于深度学习的实时单目视频三维重建系统能够从普通视频序列中高效构建连计算机视觉深度学习人工智能科研EmojiPackage表情包主题深度解析程序员篇 - 120个经典表情包带你走进程序员的内心世界EmojiPackage表情包主题深度解析程序员篇 120个经典表情包带你走进程序员的内心世界 EmojiPackage表情包资源合集是程序员日常沟通的神器即时通讯上一篇EasyCV性能优化终极指南10个技巧让你的模型快如闪电下一篇Finb/Bark项目解析iOS设备轻量级消息推送方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考