摘要
大型语言模型受限于静态训练数据，检索增强生成（RAG）虽引入外部知识但仍依赖库质量。本文提出提示增强参数化 RAG（P-RAG），这是一种混合架构，整合了模型参数知识与检索证据，并由思维链（CoT）提示和低秩适应（LoRA）微调引导。在生物医学和多跳数据集上的评估显示，P-RAG 显著优于标准 RAG，尤其在多跳推理任务中得分近乎翻倍。研究表明 CoT 提示能大幅改善多步推理，该工作为准确、可扩展的生物医学问答提供了新方案。
AI 推荐理由
论文核心在于利用选择性思维链（CoT）显著提升多跳推理能力，解决复杂问答任务。
研究机构
University of Washington, Seattle, USA - Department of Statistics
University of Washington, Seattle, USA - Information School
University of Washington, Seattle, USA - Department of Mathematics, Swarthmore College, Swarthmore, USA
Sichuan Agricultural University, Chengdu, China
Skyline High School, Sammamish, USA
论文信息