BELIEFRAG提出闭环控制器解决自适应RAG证据状态碎片化
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把局部信号汇成状态
自适应检索通常依赖置信度、相关性、支持度与检索质量等信号，来判断何时该发起搜索或修正已有证据。问题出在多步检索过程中：这些信号各自独立触发动作，难以在整条轨迹上维持一份连贯的证据状态，论文把这一现象称为证据状态碎片化。BELIEFRAG 的做法是引入一个闭环控制器，它维护一份显式状态，状态覆盖充分性、可靠性、冲突、不确定性、证据缺口与获取成本这几个维度，再据此在检索、查询改写、验证、作答、停止与拒答之间做出选择。也就是说，决策不再由单个信号直接触发，而是先落到一份持续更新的状态上，再由状态决定下一步动作。
质量与开销的取舍
在六个问答基准上，配合 gpt-oss-120b 使用时，BELIEFRAG 的平均 token F1 达到 0.572，每题消耗 3.89k tokens；作为对照，固定式迭代检索的 F1 为 0.555，而 BELIEFRAG 的 token 用量比它少 39%。同样的质量与成本关系也出现在 Qwen3-32B 上：BELIEFRAG 取得 0.552 F1，迭代检索为 0.523，同时 token 消耗降低 35%。这组数字说明，收益并非单纯来自减少检索次数，而是在更少的开销下拿到更高的答案质量，且这种模式在两个不同规模的模型上都成立。
增益来自纠正性重检
论文的分析指出，性能提升主要来自纠正性重检索，而不是仅靠剪枝。此外，若干信念维度被证明是冗余的，真正在操作层面起最强作用的是经过校准的可回答性判断。校准带来的好处是阈值在相关证据来源之间更稳定，但材料也提到，当来源发生迁移时，同一个决策信号仍可能失效。这意味着该方法的适用范围存在边界：它依赖对可回答性的校准，一旦证据来源分布改变，原本可用的判断依据未必继续可靠。
对使用者的含义
对需要在多步检索中控制成本的使用者来说，这份工作给出的思路是把置信度、相关性等零散信号统一到一份显式状态上，再让状态驱动检索、改写、验证、作答、停止或拒答的选择。其可迁移之处在于，质量与开销的改善在两个模型上都得到复现；其限制在于，冗余维度可以精简，但校准后的可回答性是关键，而来源迁移会削弱这一关键信号的有效性。论文共 20 页，含 7 幅图与 10 张表。
为什么值得看
用显式状态与闭环控制解决RAG多步检索的碎片化问题，在提升精度的同时大幅降低token消耗。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。