ConRAG：共识驱动的多视图检索用于多跳问答

检索增强生成（RAG）已成为提升大语言模型在多跳问答任务表现的重要范式，该任务需基于多文档证据进行推理。现有方法多侧重于查询分解或知识图谱构建，但在复杂任务中仍显不足。为此，本文提出 ConRAG，一种共识驱动的多视图 RAG 框架，通过系统优化查询与语料两端，并利用关系、实体及文本信号等多视图证据提升检索精度。实验表明，ConRAG 在三个基准上显著优于基线，平均性能提升最高达 26.9%，并助力 Gemma-4-31B 在 MuSiQue 数据集上创下新纪录。