يُعدّ "المسترجع الكثيف" المكوّن الأساسي للتحسين في "ريفيلا"، وهو إطار عمل جديد للتدريب الذاتي الإشراف. وقد اقترح هذا الإطار فريق مشترك من جامعة دارمشتات للتكنولوجيا، وجامعة واشنطن، وجامعة كارنيجي ميلون، ومايكروسوفت، ومختبر الذكاء الاصطناعي في تينسنت، ونُشرت نتائج البحث ذات الصلة في ورقة بحثية. ريفيلا: التعلم الكثيف للاسترجاع عبر نمذجة اللغةوقد تم قبولها من قبل المؤتمر الدولي لأبحاث العلاقات العمالية (ICLR) لعام 2026.

تتمثل الآلية الأساسية لمحركات البحث الكثيفة في تحويل الاستعلامات والوثائق إلى فضاء متجهي عالي الأبعاد، ثم تحديد مدى ملاءمة المحتوى من خلال حساب تشابه المتجهات، مما يساعد نماذج اللغة على اكتساب خبرة خارجية. تقليديًا، يعتمد تدريب محركات البحث الكثيفة عالية الجودة بشكل كبير على بيانات الاستعلامات والوثائق المصنفة يدويًا والمكلفة، مما يجعل تطبيقها على نطاق واسع في مجالات مهنية معقدة مثل البرمجة أمرًا صعبًا. في أحدث أبحاث Revela، تغلبت محركات البحث الكثيفة تمامًا على هذه العقبة: فقد تم دمجها بذكاء في مهمة "توقع الكلمة التالية" لنماذج اللغة، وتم تحسينها بشكل مشترك من خلال إدخال آلية انتباه شاملة للوثائق. تُظهر التجارب أن محرك البحث الكثيف هذا، الذي تم تدريبه بدون بيانات مصنفة، لا يتفوق فقط على النماذج الخاضعة للإشراف ذات أحجام المعلمات الأكبر في مجالات محددة ومهام استدلال معقدة، بل يحقق أيضًا أداءً متطورًا للغاية في المجالات العامة بتكاليف بيانات وحسابية منخفضة للغاية.