研究人员探索了使用查询性能预测 (QPP) 来优化检索增强生成 (RAG) 管道，方法是选择最有效的查询变体。这种方法旨在减少执行每种可能的查询重构所带来的计算成本。在 TREC-RAG 数据集上的实验揭示了检索相关性与生成保真度之间的差距，表明最大化排名指标的查询变体并不总是能产生最佳的生成答案。然而，QPP 仍然可以识别能够提高整体 RAG 质量的变体，并且轻量级的预检索预测器被证明是高效的。 AI
影响 通过智能查询变体选择，降低计算成本并提高答案质量，从而优化 RAG 管道。
排序理由 介绍一种优化 RAG 管道新方法的学术论文。
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:2604.22661v1 Announce Type: cross Abstract: Large Language Models (LLMs) have made query reformulation ubiquitous in modern retrieval and Retrieval-Augmented Generation (RAG) pipelines, enabling the generation of multiple semantically equivalent query variants. However, exe…
Large Language Models (LLMs) have made query reformulation ubiquitous in modern retrieval and Retrieval-Augmented Generation (RAG) pipelines, enabling the generation of multiple semantically equivalent query variants. However, executing the full pipeline for every reformulation i…