AITOP

多跳问答

共 5 条相关 AI 资讯
7月14日
09:32
09:32官方账号arXiv cs.AI@Xinkang Li, Rong Jiang, Xin Song, Ye Wang, Yue Han, Changjian Li
STEC提出证据压缩框架，解决开放域多跳问答中多条搜索轨迹带来的最终答案选择困难。框架通过答案级证据压缩将轨迹按答案分组并转换为候选特定证据表示，再通过证据引导答案验证比较这些表示并选出最终答案。在四个多跳问答基准（如HotpotQA、2WikiMultihopQA等）上，STEC总体表现优于现有方法。消融实验证实答案级证据压缩对选择效果有显著贡献。
论文STEC多跳问答证据压缩
推荐理由：多跳问答里选答案总是被多条轨迹搞晕？STEC用证据压缩把问题简化为候选级比较，四个基准上全面领先，值得读。
原文
7月8日
12:20
12:20官方账号arXiv cs.AI@Sambaran Bandyopadhyay, Ananth Muppidi
RSF-GLLM框架将可微图推理与答案生成解耦，采用GRU引导的查询更新器和动态门控机制遍历语义不相似的桥接节点。引入流稀疏正则化保证从软概率收敛到离散推理路径。在WebQSP和CWQ数据集上，RSF-GLLM取得了与基于LLM的方法竞争的性能，且推理效率更高。
AI模型RSF-GLLMWebQSPCWQ
推荐理由：多跳知识图谱问答一直难在中间节点没语义关联，RSF-GLLM用循环软流解决了这个瓶颈，比那些全靠LLM暴力推理的更快更准。
原文
6月5日
12:10
12:10官方账号arXiv cs.AI@Paul Jünger, Justin Lovelace, Linxi Zhao, Dongyoung Go, Kilian Q. Weinberger
精选
离散扩散语言模型通过并行去噪生成文本，每一步会预测掩码位置的候选词，并丢弃低置信度的预测。研究者发现这些丢弃的token实际上包含有用的前瞻信号，能提前揭示关键实体，从而在输出最终确定前检索到更强证据。基于此，他们提出了SARDI（自增强检索扩散语言模型），一种无需训练、与检索器无关的动态RAG框架。在五个多跳问答基准测试中，SARDI以高达8倍的吞吐量超越了当前无需训练的扩散和自回归检索基线。
论文扩散语言模型检索增强生成多跳问答
推荐理由：SARDI巧妙利用了扩散模型去噪过程中的“废料”token，为RAG提供了一种零成本的前瞻信号，做问答系统或检索增强生成的团队值得关注，可以直接集成到现有扩散模型中提升效果。
原文
6月2日
12:02
12:02官方账号arXiv cs.AI@Yuyang Li, Zihe Yan, Tobias Käfer
多跳问答系统通常对每个问题都进行昂贵的检索，包括分解问题、多轮检索或搜索桥接实体，这增加了LLM调用的token成本。但分析发现，许多多跳问题通过单次RAG就能正确回答，因此对每个问题都进行额外检索浪费了预算。RASER是一种基于单次RAG和六个特征构建的廉价路由器，RASER-2决定是停止还是升级到PRUNE（额外检索），RASER-3在单次RAG、PRUNE和迭代检索IRCoT之间选择，且不额外调用LLM。在六个LLM和三个基准测试中，RASER在F1得分上与SOTA基线竞争，但token消耗仅为始终PRUNE的41-49%，且低于迭代和分解检索基线。
论文多跳问答RAG路由
推荐理由：RASER解决了多跳问答中检索成本过高的问题，做RAG系统或问答管线的开发者可以直接用这个轻量路由器来节省token预算，同时保持准确率。
原文
5月20日
10:33
10:33官方账号arXiv cs.AI@Roman Prosvirnin, Sergei Kuznetsov, Seungmin Jin
精选
ContextRAG 提出了一种无需大模型进行实体和关系抽取的图RAG系统，通过残差量化k-means和形式概念分析构建模糊概念图，显著降低了索引阶段的token消耗和延迟。在130任务的UltraDomain子集上，ContextRAG仅需30次LLM调用和22,073个token完成索引，而对比方法HiRAG在20任务上就需要870次调用和354万token。ContextRAG在整体F1上达到33.6%，多跳任务F1为36.8%。分析表明，检索到格派生节点的查询比未检索到的F1高出3.9个百分点。该方法为构建高效、低成本的图RAG系统提供了新思路。
论文RAG图构建多跳问答
推荐理由：做RAG系统优化的团队终于有了一个不依赖LLM抽取的图构建方案——ContextRAG用30次调用替代了数百万token的索引开销，多跳问答效果还更好，做知识密集型问答的开发者值得一试。
原文