@simplifyinAI：RAG彻底过时了。IBM研究人员构建了一个检索器，产生的无效章节引用比微调基线少65倍……
摘要
IBM研究人员提出了STAIR，一种利用文档目录进行结构化检索的检索器，在SearchTome基准上达到82.6%的top-1章节准确率，无效章节引用比微调DSI基线少65倍。
查看缓存全文
缓存时间: 2026/11/01 13:55
RAG 正式宣告出局。
IBM 的研究人员构建了一个检索器，其无效章节引用比微调基线减少了 65 倍。
RAG 会在回答前给 AI 提供相关文档供其阅读。但找到正确的信息仍然是个问题。
许多系统将文档拆分成块，丢失了有助于说明信息归属的章节标题和结构。
IBM 的方法 STAIR 正是利用了这种结构。
想象一下，在阅读之前先打开书的目录页，找到正确的章节。
STAIR 利用目录来引导检索，指向最可能包含答案的章节。
在 SearchTome 上——一个涵盖六大领域 18 本书的基准测试——它首次检索正确章节的比例达到 82.6%。微调后的 DSI 基线为 76.9%。
无效章节引用从 3.25% 降至 0.05%。这就是 65 倍数据的来源。它衡量的是检索引用，而非最终答案中的幻觉。
对于需要搜索长篇手册、政策和技术文档的企业来说，这是一个有前景的改进。
它仍需在真实企业数据上进行测试，但保留文档结构或许能帮助智能体在回答前找到更优质的证据。
相似文章
IBM的一篇优秀RAG论文。其中有一些解决常见RAG问题的好方法。众所周知，检索器…
IBM研究人员介绍了STAIR，一种使用目录来保持文档结构的生成式检索器，实现了82.6%的Recall@1，并降低了RAG系统中的幻觉。
@oliviscusAI: 整个RAG行业即将被颠覆。研究人员开发了一种新的RAG方法，几乎绕过了所有...
研究人员引入了PageIndex，一种新颖的RAG方法，消除了对向量数据库、嵌入和分块的依赖，在FinanceBench上达到98.7%的准确率，优于现有方法，且免费开源。
@pritipatelor：整个 RAG 行业即将被彻底颠覆 研究人员推出一种全新的 RAG 方案，几乎绕过了传统 RAG 所依赖的一切……
研究人员推出名为 PageIndex 的全新 RAG 方案，无需向量数据库、嵌入或分块，而是构建树状索引让大模型像人类读书一样检索，在 FinanceBench 上以 98.7% 的准确率超越所有向量 RAG 方法，且完全免费开源。
@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.
@akshay_pachaar: RAG 与无检索器 RAG 对比，一文讲清！（由 Jev 等决策模型驱动）在标准 RAG 架构中，文档…
介绍康奈尔大学与 ASAPP 的 DecisionRAG 论文：用决策模型（如 Jev 1.13）在文档树上导航取代向量相似度检索，实现 retriever-free RAG，在 Natural Questions 上 top-1 命中率达 65.4%，优于 embedding 检索加 8B reranker 的 48.0% 和 GPT-5 reranking 的 60.8%。