DecisionRAG
一种无检索器的检索增强生成方法，使用决策模型在单次前向传播中联合评估多个候选分支，沿语料库层级结构导航，无需任务特定训练或第一阶段检索器。
时间轴 (近 90 天)
DecisionRAG提出了一种无需检索器的检索范式，不依赖第一阶段检索器，也不生成任何token，而是用决策模型在单次前向传播中联合评估多个候选分支。
DecisionRAG沿着语料库的固有结构进行层级式导航，从宽泛主题逐层下降到单个段落，在每一层决定哪些分支值得继续探索。
DecisionRAG的核心设计是将多个候选分支置于共享上下文中联合判断，使相关性估计具有相对可比性，这与传统的逐点打分重排不同。
DecisionRAG在MultiDoc2Dial数据集上，在没有任务特定训练和第一阶段检索器的情况下，比使用8B重排器的稠密检索高出13.8个R@1点。
DecisionRAG的测试覆盖四个基准，其中包括一个包含268万条维基百科段落的语料库。
DecisionRAG每个查询的检索耗时仅0.7至1.8秒。
DecisionRAG的意义指向一种架构层面的反思：检索与生成是否必须分离；当语言模型足够强大时，把检索决策交给模型本身可能比维护独立嵌入索引更灵活。
DecisionRAG仍面临待验证问题，包括大规模语料下的扩展性、与现有索引体系的兼容成本、以及决策模型在领域漂移下的鲁棒性。
全部知识事实 (8)
DecisionRAG提出了一种无需检索器的检索范式，不依赖第一阶段检索器，也不生成任何token，而是用决策模型在单次前向传播中联合评估多个候选分支。
50%待验证DecisionRAG沿着语料库的固有结构进行层级式导航，从宽泛主题逐层下降到单个段落，在每一层决定哪些分支值得继续探索。
50%待验证DecisionRAG的核心设计是将多个候选分支置于共享上下文中联合判断，使相关性估计具有相对可比性，这与传统的逐点打分重排不同。
50%待验证DecisionRAG在MultiDoc2Dial数据集上，在没有任务特定训练和第一阶段检索器的情况下，比使用8B重排器的稠密检索高出13.8个R@1点。
50%待验证DecisionRAG的测试覆盖四个基准，其中包括一个包含268万条维基百科段落的语料库。
50%待验证DecisionRAG每个查询的检索耗时仅0.7至1.8秒。
50%待验证DecisionRAG的意义指向一种架构层面的反思：检索与生成是否必须分离；当语言模型足够强大时，把检索决策交给模型本身可能比维护独立嵌入索引更灵活。
50%待验证DecisionRAG仍面临待验证问题，包括大规模语料下的扩展性、与现有索引体系的兼容成本、以及决策模型在领域漂移下的鲁棒性。
50%