研究人员开发了一种新的多跳问答框架，通过解决现有单次查询扩展方法的局限性来改进检索增强生成（RAG）。这种无需训练的方法集成了证据条件探索、段落特定对比精炼和覆盖感知排序，以更好地发现复杂推理所需的中间实体和关系。在MuSiQue、HotpotQA和2WikiMultiHopQA等基准数据集上的实验表明，检索质量和下游问答性能均有显著提高。 AI
影响 这一新框架可以提高依赖于复杂推理和信息检索的AI系统的准确性和效率。
排序理由 该集群包含一篇详细介绍多跳问答新框架的研究论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
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:2609.07050v1 Announce Type: new Abstract: Retrieval-augmented generation (RAG) critically depends on retrieving the evidence necessary for effective reasoning. However, this remains particularly challenging in multi-hop question answering (QA), where supporting passages are…
Retrieval-augmented generation (RAG) critically depends on retrieving the evidence necessary for effective reasoning. However, this remains particularly challenging in multi-hop question answering (QA), where supporting passages are often linked through intermediate entities and …