arXiv NLP·14 天前★ 3

研究提出 SAG2：基于 BM25 与 SQLite 的无嵌入多跳检索

原文标题：SAG2: Embedding-Free Multi-Hop Retrieval with BM25 and JEV

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

论文提出 SAG2，一种无需嵌入的多跳检索架构，仅依赖单个 SQLite 数据库、BM25 与 JEV 的上下文证据决策。在 MuSiQue、2WikiMultiHopQA、HotpotQA 上取得最高 Recall@10，索引 11656 条段落仅需 2.36 秒，无需模型调用。

论文速读 · 四段结构cs.IR去论文速读 →

问题: 多跳检索依赖嵌入计算与复杂数据库，部署成本高。
方法: 用单个 SQLite、BM25 词法索引与查询时证据决策替代离线嵌入和 LLM 事件抽取，检索到的段落再提供下一轮检索词。
结果: MuSiQue、2WikiMultiHopQA、HotpotQA 上 Recall@10 分别为 86.62%、97.43%、99.00%；索引 11656 条段落仅 2.36 秒，数据库 25.87 MiB，无需模型调用。
影响: 想低成本上线多跳 RAG 的团队可省去向量库与嵌入管线，用单机 SQLite 快速搭建检索底座。

深读 · 结论先行AI 生成展开看要点与影响 ↓

SAG2 用单库 SQLite+BM25 做无嵌入多跳检索，三基准 Recall@10 最高 99.00%，索引仅 2.36 秒。

•架构仅依赖单个 SQLite 数据库、BM25 与 JEV 的上下文证据决策，去掉离线嵌入与 LLM 事件实体抽取。
•MuSiQue、2WikiMultiHopQA、HotpotQA 的 1000 题子集上 Recall@10 分别为 86.62%、97.43%、99.00%。
•EnterpriseRAG-Bench 51.19 万文档语料上文档 Recall@10 达 81.10%。
•索引 11656 条 MuSiQue 段落耗时 2.36 秒，生成 25.87 MiB 数据库，无需模型调用。

为什么重要：对想低成本部署多跳检索的团队，这是「轻基础设施+高召回」的替代路线，省去嵌入计算与专用数据库服务。

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。

AI 处理过程展开/收起

原始标题：SAG2: Embedding-Free Multi-Hop Retrieval with BM25 and JEV

AI 中文标题：研究提出 SAG2：基于 BM25 与 SQLite 的无嵌入多跳检索

来源：arXiv NLP · 发布于 14 天前

分类：学术研究 · AI 重要度：★ 3（3）

标签：多跳检索 / BM25 / 检索增强生成 / 轻量部署

关键词：多跳检索 / BM25 / 检索增强生成 / SAG2 / RAG

AI 处理：2026/10/19 12:01:30 · 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