Tip-of-the-Tongue (ToT) known-item retrieval é uma tarefa desafiadora que depende fortemente de descrições longas, específicas e imprecisas fornecidas pelos usuários em decorrência de falhas de memória. Neste trabalho, abordamos um pipeline de primeira recuperação eficiente e adequado para produção, projetado para enfrentar os desafios únicos de reduzir a lacuna entre a intenção do usuário e os documentos alvo. Como consultas ToT são frequentemente verbosas e específicas devido à falha de memória, recuperar o primeiro conjunto de documentos candidatos de uma coleção indexada extensa requer tradução semântica robusta.

Focamos nosso treinamento no lado da consulta por meio de Supervised Fine-Tuning (SFT) com distilação, ajuste assimétrico de codificador de consultas com hard negatives agressivamente denoised, e Simple Preference Optimization (SimPO). Nossas avaliações empíricas demonstram que esse processo de ajuste em múltiplas etapas gera melhorias substanciais em todas as métricas-chave de recuperação. Além disso, o forte desempenho independente do modelo Harrier-OSS valida o uso de arquiteturas decoder-only para recuperação densa em ToT, embora a inclusão de modelos mais simples como BM25 tenha se mostrado inestimável para enriquecer os dados de treinamento de reescrita, superando os resultados focados em reescrita de consultas publicados no TREC 2025.