康奈尔提出 DecisionRAG：用决策模型 Jev 逐层导航文档树，替代传统检索器

康奈尔大学论文提出 DecisionRAG，用决策模型 Jev 在语料的主题→文档→段落树上逐层判断是否展开，一次前向输出概率，不生成 token。相比「稠密检索 + Qwen3-Reranker-8B」重排，MultiDoc2Dial 上 R@1 高 13.8 点，Natural Questions 268 万段落上 Hit@1 高 17.4 点，单次约 0.7–1.8 秒、0.2–2.3 美分。用 GPT-5 生成同样的导航决策精度相当，但慢约 34–145 倍、贵约 21–25 倍。用 Qwen3-8B 训成决策模型后，MultiDoc2Dial R@1 达 60.7，比已发表任务训练检索器高约 5.7 点。