यह शोधपत्र RankRefine का प्रस्ताव करता है, जो एक मॉडल-स्वतंत्र पोस्ट-प्रोसेसिंग विधि है जो डेटा-विहीन परिवेशों में निरंतर फ़ीचर पूर्वानुमान की सटीकता में सुधार करती है। RankRefine, एक आधार समाश्रयण मॉडल के आउटपुट को व्युत्क्रम वितरित भारों का उपयोग करके युग्मित रैंक-आधारित अनुमानों के साथ संयोजित करता है। यह अंतर्निहित मॉडल को पुनः प्रशिक्षित किए बिना, क्वेरी आइटम और ज्ञात फ़ीचरों के एक छोटे संदर्भ समूह पर कार्य करता है। एक आणविक फ़ीचर पूर्वानुमान कार्य में, हम प्रदर्शित करते हैं कि एक पूर्व-प्रशिक्षित वृहद-स्तरीय भाषा मॉडल (LLM) के साथ केवल 20 युग्मित तुलनाओं का उपयोग करने से माध्य निरपेक्ष त्रुटि 10% तक कम हो जाती है। हम प्रदर्शित करते हैं कि विशेषज्ञ या सामान्य-उद्देश्य वाले LLM द्वारा प्रदान की गई रैंकिंग जानकारी अकेले ही विभिन्न क्षेत्रों में समाश्रयण प्रदर्शन में सुधार कर सकती है, जो व्यावहारिकता और व्यापक प्रयोज्यता को प्रदर्शित करती है, विशेष रूप से डेटा-विहीन परिवेशों में।
