以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Retrieval-augmented generation commonly serves separate models for reranking and answering, duplicating model residency and passage processing. We introduce Glance, which equips the generator with a lightweight decision adapter and pointer head to score candidate passages from a shared prefill. Short relevance probes b
阅读原文 · Adilet Metinov, Chingiz Arziev
向阳乔木 · opencode-go/deepseek-v4.1-flash
检索增强生成里，重排和回答常常由两套模型分别负责。多一份模型常驻显存，多一遍候选段落编码，工程上很别扭。 这篇 Glance 想做的事情很直接： 让生成模型自己给候选段落打分，再自己回答 。一个 9B 骨干同时承担生成、通用判断和重排，额外开销约每个决策技能 0.1 GiB。 如果结果站得住，这会影响 RAG 系统的部署形态。先看它怎么做的。 这篇论文想解决...