RAG Multi-hop QA Decomposition Verification
摘要

检索增强生成(RAG)通常对每个检索到的文本块进行评分并丢弃不合格者。本文指出该方法在多跳问答中无效,因为单块不足以作为答案的充分前提。实验显示,逐块筛选在多跳数据集上表现极差,甚至不如不筛选。研究提出将验证条件从原始查询改为分解后的子问题,利用MuSiQue的黄金分解数据, entailment得分显著提升。使用现成模型进行分解也能有效改善验证效果,表明推理分解是解决多跳RAG验证瓶颈的关键。

AI 推荐理由

论文核心探讨多跳推理中的验证失败问题,并提出通过子问题分解(推理策略)来修复,直接关联LLM的推理能力与逻辑处理。

研究机构
Independent Researcher
论文信息
作者 Randhir Kumar
发布日期 2026-08-01
arXiv ID 2608.00585
相关性评分 9/10 (高度相关)