RAG Multi-hop Reasoning Dynamic Decomposition
摘要

大型语言模型(LLMs)常因依赖静态内部知识而产生不准确答案。检索增强生成(RAG)虽能整合外部知识并擅长单跳查询,但在需要跨文档推理的多跳问题上表现不佳。现有方法如结构化RAG或问题分解往往缺乏动态分解和有效过滤,导致效率和准确性降低。为此,我们提出了D2F-ReAG,这是一种新颖的范式,通过判断根级推理的可靠性来自适应控制推理深度。若根推理可靠,则直接生成答案;否则,将问题逻辑分解为子问题,并利用从这些子问题推导出的验证推理来优化根推理。在三个多跳基准上的实验证明了该方法在处理复杂多跳问题方面的有效性。

AI 推荐理由

论文核心解决多跳推理问题,提出动态分解与过滤机制以增强LLM的复杂逻辑推理能力。

研究机构
东北大学 昆明理工大学 牛转研究
论文信息
作者 Jiaoyang Li, Junhao Ruan, Shengwei Tang, Kaiyan Chang, Zhengtao Yu et al.
发布日期 2026-08-05
arXiv ID 2608.04444
相关性评分 9/10 (高度相关)