研究人员开发了一种新颖的证据选择方法，用于检索增强问答 (RAG)，将其表述为二次无约束二元优化 (QUBO) 问题。该方法旨在通过平衡相关性、需求覆盖率和其他因素，来改进互补证据段的选择，这对于复杂的多跳问题至关重要。QUBO 选择器提供了一种经济高效且可扩展的替代 LLM 选择器的方法，在 HotpotQA 基准测试上取得了有竞争力的性能，并指明了 RAG 管道的未来方向，即保留 LLM 用于语义处理，同时使用专用求解器进行上下文选择。 AI
影响 这项研究可能通过将组合证据选择与基于 LLM 的语义处理分开，从而实现更高效、可扩展的 RAG 系统。
排序理由 该集群包含一篇学术论文，详细介绍了检索增强问答的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.12334v1 Announce Type: new Abstract: Retrieval-augmented question answering depends on selecting evidence passages that jointly support answer generation. However, many RAG pipelines rely on top-\(k\) ranking, where passages are selected mainly by individual relevance …
Retrieval-augmented question answering depends on selecting evidence passages that jointly support answer generation. However, many RAG pipelines rely on top-\(k\) ranking, where passages are selected mainly by individual relevance scores, even though multi-hop questions often re…