XNews

DecisionRAG検索手法、MultiDoc2DialとNatural Questionsで密検索を上回る

DecisionRAG検索手法、MultiDoc2DialとNatural Questionsで密検索を上回る

研究者らは、トークンを生成せずに単一のフォワードパスでトピックからパッセージまでのコーパス階層をナビゲートする決定モデルを用いた、検索器不要の検索手法DecisionRAGを提案した。タスク固有の訓練や第一段階の検索器なしで、DecisionRAGはMultiDoc2Dialで13.8 R@1ポイント、Natural Questionsで17.4 Hit@1ポイント、8Bリランカー付き密検索を上回り、268万件のWikipedia段落からクエリあたり0.7〜1.8秒で検索した。

イベントのバージョン 1.

Key insights

検索器不要のナビゲーション

DecisionRAGは第一段階の検索器を、広いトピックから文書、パッセージへとコーパス階層をナビゲートする決定モデルに置き換える。各レベルで、共有コンテキスト内のすべての候補をスコアリングし、最も有望なブランチのみを保持する。

共有コンテキストスコアリングの利得

候補を個別に判定するのではなく、1つの共有コンテキストでまとめてスコアリングすることで、MultiDoc2DialのR@1が7.7ポイント、Natural QuestionsのHit@1が6.5ポイント向上する。

ベンチマーク結果

タスク固有の訓練や第一段階の検索器なしで、DecisionRAGは268万件のWikipedia段落上で、8Bリランカー付きQwen3-Embedding-8B密検索をMultiDoc2Dialで13.8 R@1ポイント、Natural Questionsで17.4 Hit@1ポイント上回る。

コストとレイテンシ

検索は4つのベンチマークでクエリあたり0.7〜1.8秒、0.2〜2.3セントかかる。ナビゲーション決定をトークンごとに生成するLLMは、34〜145倍のレイテンシで同程度の精度に達する。

訓練済み判定器の性能

MultiDoc2Dialデータで訓練されたQwen3-8B決定モデルは60.7 R@1に達し、公開されている最强のタスク訓練済み検索器を5.7ポイント上回る。

Source posts