本文详细介绍了 DS@GT ARC 参加 CLEF 2026 LongEval 任务 4 的情况，重点关注检索增强生成 (RAG) 系统。研究强调了标准的自然语言评估指标与 RAG QA 中至关重要的引用完整性方面之间存在差异。通过采用带有纠正性 RAG (CRAG) 和 CiteFix 的纠正性管道，研究发现，虽然前沿模型在答案相关性和流畅性方面表现出色，但它们并不总是严格遵守引用的来源。所提出的管道强制要求生成的声明严格推断自引用的材料，略微提高了引用的忠实度和答案的依据，表明需要优先考虑严格答案依据的评估指标，以实现值得信赖的 RAG QA。 AI
影响 这项研究表明，需要改进 RAG 系统中的评估指标，以确保事实依据和引用完整性，这可能会影响未来值得信赖的 AI 的发展。
排序理由 该集群包含一篇研究论文，详细介绍了一种用于评估和改进 RAG QA 系统的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.14400v1 Announce Type: new Abstract: This paper describes DS@GT ARC's submission to the CLEF 2026 LongEval Task 4 on Retrieval-Augmented Generation (RAG). In this submission, we examine a divergence between traditional natural language evaluation metrics and citation i…
This paper describes DS@GT ARC's submission to the CLEF 2026 LongEval Task 4 on Retrieval-Augmented Generation (RAG). In this submission, we examine a divergence between traditional natural language evaluation metrics and citation integrity as applied to RAG QA systems. We evalua…