DeFT-RAG 框架逐步分解多跳问题并复用答案提升检索增强准确率
原文标题：DeFT-RAG: Incrementally Decomposing Multi-Hop Questions into Self-Contained Sub-Questions with Reusable Answers
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。
论文提出 DeFT-RAG 检索增强框架，每次从原问题与已答问答对生成一个自包含子问题，免去规划、依赖追踪与重写。框架将剩余工作移出 LLM，用规则更新问答表并由微调轻量决策模型做判断，同时缓存问答对复用同义子问题答案。在 MuSiQue、2WikiMultiHopQA 与 HotpotQA 上，以 gpt-4o-mini 和 Qwen3.6 为骨干时在 13 个基线中准确率最佳，且输入 token 更少。
- 问题
- 多跳问答中迭代 RAG 让 LLM 兼做规划、依赖追踪与重写，准确率受限。
- 方法
- 每次只生成一个自包含子问题，规则维护问答表、轻量决策模型做判断，并缓存复用同义子问题答案。
- 结果
- 在 MuSiQue、2WikiMultiHopQA、HotpotQA 上 13 个基线中准确率最佳，输入 token 更少
- 影响
- 多跳 RAG 系统可把编排逻辑移出 LLM，降 token 成本同时提准确率。
深读 · 结论先行AI 生成展开看要点与影响 ↓
DeFT-RAG逐步生成自包含子问题并复用答案，13个基线中准确率最佳且输入token更少
- •每次从原问题与已答问答对生成一个自包含子问题，每个子问题点明所问实体，免去规划、依赖追踪与重写
- •把剩余LLM工作移出模型：规则更新问答表，是/否判断交给微调的轻量决策模型
- •缓存问答对，后续同义子问题直接复用答案
- •在MuSiQue、2WikiMultiHopQA与HotpotQA上，以gpt-4o-mini和Qwen3.6为骨干时在13个基线中准确率最佳
- •相比基线输入token更少
为什么重要：多跳问答的迭代式RAG常因让LLM承担过多任务而受限；该工作把LLM职责收窄到单一细粒度任务，为提升多跳检索准确率与降低成本提供可复用思路。
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
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。