arXiv NLP阿里巴巴·17 天前★ 3

ExecutionRAG 揭示多跳 RAG 检索漂移问题

原文标题：Beyond Retrieval Failure: Understanding Why LLMs Miss Evidence in Multi-Hop RAG

重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

研究指出多跳 RAG 中大量所谓检索失败实为搜索漂移——搜索不再跟踪未解答的子问题。作者提出免训练的 ExecutionRAG 需求登记机制，在 MuSiQue 上把缺失证据的错误答案从 382 降至 234。但证据恢复并未成比例降低总错误，瓶颈已从引导搜索转向验证证据充分性。

论文速读 · 四段结构cs.CL去论文速读 →

问题: 多跳RAG中检索失败与搜索漂移被混为一谈，难以判断证据是否真的不可达。
方法: 提出免训练的ExecutionRAG需求登记机制，记录未解答子问题及其支撑证据，只改变搜索引导不改变证据访问。
结果: 在1000条MuSiQue上，缺失证据的错误答案从382降至234（MiniLM）和383降至274（Qwen3-Embedding-0.6B），但总错误未成比例下降。
影响: 提示多跳RAG瓶颈已从引导搜索转向验证证据充分性，优化检索召回不等于降低端到端错误。

深读 · 结论先行AI 生成展开看要点与影响 ↓

ExecutionRAG指出多跳RAG大量检索失败实为搜索漂移，MuSiQue上缺证据错答从382降至234，但总错误未成比例下降。

•区分两类缺证据错答：检索器无法获取，与智能体未发出能取回的查询
•提出免训练的ExecutionRAG需求登记机制，记录未解答子问题及其支撑证据
•固定检索器、语料与生成模型，登记表只改变搜索引导、不改变证据可达性
•MuSiQue 1000题上，缺必需证据的错答从382降至234（all-MiniLM-L6-v2），从383降至274（Qwen3-Embedding-0.6B）
•证据恢复未带来总错误成比例下降，过早作答与弃答反而增加，瓶颈转向验证证据充分性

为什么重要：它把多跳RAG的失败归因从「检索不到」修正为「搜索跑偏」，并指出当前真正的瓶颈在证据充分性验证而非搜索引导。

以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。

所属主题智能体50

AI 处理过程展开/收起

原始标题：Beyond Retrieval Failure: Understanding Why LLMs Miss Evidence in Multi-Hop RAG

AI 中文标题：ExecutionRAG 揭示多跳 RAG 检索漂移问题

来源：arXiv NLP · 发布于 17 天前

分类：学术研究 · AI 重要度：★ 3（3）

标签：RAG / 多跳推理 / 检索增强 / 智能体 / 证据验证

关键词：RAG / 多跳检索 / 检索增强生成 / 智能体 / 证据验证

AI 处理：2026/10/16 12:02:14 · 模型 deepseek-chat · 规则版本 2026-10-10.1

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。

相关推荐