graph structured RAG

新的D2F-ReAG方法增强LLM多跳推理能力

研究人员推出D$^2$F-ReAG，一种旨在提高大型语言模型（LLM）在回答复杂多跳问题时的准确性和效率的新方法。该方法动态分解和过滤推理路径，根据初始推理步骤的可靠性调整分析深度。如果主要推理被认为可信，模型将直接给出答案；否则，它会将问题分解为子问题以完善初始推理。在多个基准测试上的实验表明，D$^2$F-ReAG在处理复杂的​​多跳查询方面非常有效。