更好的检索，更差的鲁棒性：多跳RAG如何放大上游ASR错误
摘要
该论文发现，多跳RAG方法会放大查询中的ASR错误，与朴素方法相比，降低了基于语音的检索系统的鲁棒性。
查看缓存全文
缓存时间: 2026/08/25 08:36
论文页面 - 检索能力增强，鲁棒性下降：多跳RAG如何放大上游ASR错误
来源：https://huggingface.co/papers/2608.22872 语音界面将ASR置于检索之前，因此RAG系统接收的查询本身已存在失真。我们测试了标准的多跳方法——实体图链接与迭代重构——是能够抑制这种失真，还是将其放大。
研究发现表明，这些方法会放大失真。结构更丰富的配置在ASR输入下通常能达到更高的绝对F1值，但它们牺牲了更多纯文本优势：在三个基准测试中，使用IRCoT+HippoRAG2时，从纯文本到最高词错率口音的性能差距，比简单稠密检索时要大36%-67%。一个或多个查询实体的失真成为主要失效模式，在2WikiMultiHopQA数据集的所有四种方法中，这种失真占退化案例的87%-96%。
两种轻量级表面形式缓解方法——N-best解码与音素实体修正——未能显著缩小这一差距，这表明问题根源在于检索结构而非转录表面形式。
我们已发布代码及涵盖3个多跳问答基准×4种英语口音（3000个问题，12000条数据）的转录数据集。
相似文章
当更多文档损害RAG：通过领域限定、模型无关的检索缓解向量搜索稀释
本文识别了RAG系统在扩展到大规模异构文档集合时出现的“向量搜索稀释”现象，并提出MASDR-RAG，一种利用组织元数据进行领域限定的检索方法，显著提升了检索准确率。
当检索无济于事：一项大规模生物医学 RAG 研究
这项大规模研究涵盖 5 个模型（7B–72B）、10 个生物医学问答数据集、4 种检索方法和 4 个语料库，发现在生物医学问答任务中，RAG 相比无检索基线仅带来微小且不稳定的提升（1–2 个百分点）。研究得出结论：主要瓶颈并非检索质量，而是模型有效利用检索证据的能力有限。
PRA-RAG：检索增强生成中针对检索损坏的可证明鲁棒聚合
PRA-RAG是一种用于检索增强生成的可证明鲁棒的聚合算法，旨在抵御对检索文本的投毒攻击。它利用嵌入空间中的几何结构来识别鲁棒子集，并提供攻击影响的理论界限，将攻击成功率降低至1%，同时保持准确率。
Universal Pathologies, Conditional Consequences: A Triple-Robustness Analysis of RAG for Multi-Hop Traceability
This paper presents a triple-robustness analysis of RAG for multi-hop traceability, varying embedder, corpus, and judge across thousands of runs. It finds that over-citation is architecturally universal in GraphRAG but its faithfulness consequences are corpus-conditional, and LLM-as-judge faithfulness is fragile across retrieval states.
@vintcessun: RAG喂太多文档，检索质量反而从75%掉到40%？向量搜索被大量无关内容稀释，真实部署中命中率暴跌。 问题根源：异构文档混在一起检索，噪声淹没了信号。多智能体编排看似智能，实际引入精度-忠实度悖论——配置稍差就两头不讨好。 论文提出的MA…
This paper identifies 'vector search dilution' in RAG systems when scaling to large heterogeneous document collections, where accuracy dropped from 75% to 40% in a real-world deployment. The proposed MASDR-RAG method uses domain scoping via organizational metadata before retrieval, improving P@10 from 0.77 to 0.86 with low cost and easy deployment.