DecisionRAG 提出免检索器方案，用决策模型逐层导航文档
论文AI 评分 72/100arXiv cs.AI
AI 聚合
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。
一篇 arXiv 论文提出 DecisionRAG，把预训练语言模型用于检索环节，不再依赖词面匹配或固定嵌入空间的相似度。其做法是用决策模型在一次前向中联合评估多个候选分支，不生成任何 token，并称在共享上下文中判断候选可让相关性估计彼此可比。系统像人在图书馆找书那样，从宽泛主题逐层下探到具体段落，每层决定哪些分支值得继续。无需任务特定训练，也不需要第一阶段检索器，在 MultiDoc2Dial 上 R@1 比配 8B 重排器的稠密检索高 13.8 点，在 Natural Questions 上 Hit@1 高 17.4 点；在含 268 万段维基百科段落的四个基准上，单次查询耗时 0.7 至 1.8 秒。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题设定
论文指出当前检索仍主要依靠词面匹配或固定嵌入空间中的相似度，而语言模型本身的能力已显著增强，两者之间形成能力不对称：检索器找不到的内容，再强的生成器也无法补救。DecisionRAG 的出发点是把预训练语言模型的能力直接引入检索环节，让判断相关性这件事由模型完成，而不是交给独立的向量匹配流程。
逐层导航的做法
方法的核心是决策模型：它在一次前向计算中同时评估多个候选分支，且不生成任何 token。作者称，把候选放在共享上下文中一起判断，可以让它们之间的相关性估计变得可比。检索过程被组织成从粗到细的导航，类似人在图书馆先看大类再逐层缩小范围，系统在每一层决定哪些分支值得继续探索，最终落到具体段落。整个流程不依赖任务特定训练，也不需要第一阶段检索器。
量化结果与开销
在 MultiDoc2Dial 上，DecisionRAG 的 R@1 比使用 8B 重排器的稠密检索高 13.8 点；在 Natural Questions 上 Hit@1 高 17.4 点。评测覆盖四个基准，其中包含由 268 万段维基百科段落构成的语料，单次查询的检索时间为 0.7 至 1.8 秒。论文以 arXiv 预印本形式发布，附带 PDF 与实验性 HTML 版本，并提供音频摘要。
为什么值得看
检索环节长期受限于相似度匹配，该工作尝试让语言模型直接参与定位，并给出跨基准的量化增益与延迟数据。
RAG论文
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。