XNews

DecisionRAG检索方法在MultiDoc2Dial和Natural Questions上优于稠密检索

DecisionRAG检索方法在MultiDoc2Dial和Natural Questions上优于稠密检索

研究人员提出了DecisionRAG,这是一种无需检索器的检索方法,使用决策模型在单次前向传递中从主题到段落导航语料库层次结构,而无需生成token。在没有任务特定训练或第一阶段检索器的情况下,DecisionRAG在MultiDoc2Dial上以13.8个R@1点、在Natural Questions上以17.4个Hit@1点优于带有8B重排序器的稠密检索,从268万篇维基百科段落中检索,每次查询耗时0.7至1.8秒。

事件版本 1.

Key insights

无需检索器的导航

DecisionRAG用决策模型取代第一阶段检索器,该模型从宽泛主题到文档再到段落导航语料库层次结构。在每个层级,它在共享上下文中对所有候选进行评分,并仅保留最有希望的分支。

共享上下文评分的增益

在一个共享上下文中共同对候选进行评分,相比单独评判每个候选,在MultiDoc2Dial上R@1提高了7.7点,在Natural Questions上Hit@1提高了6.5点。

基准测试结果

在没有任务特定训练或第一阶段检索器的情况下,DecisionRAG在268万篇维基百科段落上,在MultiDoc2Dial上以13.8个R@1点、在Natural Questions上以17.4个Hit@1点,击败了带有8B重排序器的Qwen3-Embedding-8B稠密检索。

成本与延迟

在四个基准测试中,检索每次查询耗时0.7至1.8秒,成本为0.2至2.3美分。逐token生成导航决策的LLM以34至145倍的延迟达到相似的准确率。

训练评判器的性能

在MultiDoc2Dial数据上训练的Qwen3-8B决策模型达到60.7 R@1,比最强的已发表任务训练检索器高5.7点。

Source posts