研究人员引入了$\Psi$-RAG，一个旨在改进跨文档问答的检索增强生成（RAG）的新框架。这种新方法通过采用迭代合并和折叠过程来构建层次抽象树索引，解决了现有基于树的RAG方法的局限性，如结构隔离和粗粒度抽象。$\Psi$-RAG还具有一个多粒度检索代理，可增强查询处理并利用混合检索器。该框架在跨文档多跳QA基准测试中表现出显著的性能提升，比RAPTOR提高了25.9%，比HippoRAG 2提高了7.4%。 AI
影响 增强了LLM的跨文档检索能力，有望改进复杂的问答系统。
排序理由 这是一篇介绍检索增强生成新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.00529v1 Announce Type: new Abstract: Retrieval-augmented generation (RAG) enhances large language models with external knowledge, and tree-based RAG organizes documents into hierarchical indexes to support queries at multiple granularities. However, existing Tree-RAG m…
Retrieval-augmented generation (RAG) enhances large language models with external knowledge, and tree-based RAG organizes documents into hierarchical indexes to support queries at multiple granularities. However, existing Tree-RAG methods designed for single-document retrieval fa…