IBM这篇关于RAG的论文相当出色。

其中提出了许多解决常见RAG问题的巧妙思路。

众所周知，检索器通常按长度对长文档进行分块，这会丢失文档原有的层级结构。

因此，他们提出采用目录作为解决方案。

目录能有效编码被分块过程丢弃的整体文档结构。

STAIR系统将该目录作为生成式检索器的寻址方案，使模型能依据语料库提供的结构存储和检索自身参数中的信息。

在SearchTome基准测试中，该系统实现了82.6%的Recall@1指标，显著优于微调后的可微搜索索引（76.9%），而BM25和DPR分别仅为59.5%和68.7%。

生成式IR的幻觉率始终低于0.05%——这正是生成式检索面临的主要风险，也证明将寻址空间锚定于真实层级结构虽增加复杂度却值得付出。消融实验还表明，即使训练样本极少，该系统也能良好泛化。

论文链接：https://academy.dair.ai/papers/stair-structure-aware-information-retriever-a-novel-dataset-and-llm-based-retrie-2609.03874…

STAIR（结构感知信息检索器）：基于LLM的新型文档结构增强检索系统与数据集

来源：https://academy.dair.ai/papers/stair-structure-aware-information-retriever-a-novel-dataset-and-llm-based-retrie-2609.03874 检索 · Vineet Kumar, Meghanadh Pulivarthi, vishwajeet kumar, Jaydeep Sen, Riyaz Ahmad Bhat, Sachindra Joshi

与论文对话（https://academy.dair.ai/dashboard/paper-chat/stair-structure-aware-information-retriever-a-novel-dataset-and-llm-based-retrie-2609.03874）

首页预览

STAIR（结构感知信息检索器）：基于LLM的新型文档结构增强检索系统与数据集

编辑评述

IBM的Vineet Kumar团队提出STAIR——一种生成式检索器，它通过目录而非长度分块来存储和访问语料库。

论文要点解析

问题解析 关键洞察 01

分块机制破坏全局结构。传统检索器按长度分割长文档，丢弃了目录原本编码的层级关系。STAIR将这种层级保留为寻址方案。

02

在SearchTome基准测试中，Recall@1达82.6%，显著超越微调版可微搜索索引的76.9%，远超BM25（59.5%）和DPR（68.7%）。

03

生成式IR场景下幻觉率低于0.05%——这是生成式检索的主要风险，也证明基于目录的结构化方案值得投入。

04

消融实验显示系统在极少训练样本时仍具泛化能力，这对通常需要密集文档监督的生成式检索器尤为重要。

05

开源SearchTome基准库：涵盖6个领域18本书籍，专为评估结构感知检索而构建。

摘要：检索增强生成（RAG）是大语言模型生成准确无幻觉回答的关键组件。尽管LLM处理长上下文的能力持续提升，但仍存在“中部信息丢失“问题，因此精准检索至关重要。当前检索器按长度分块处理长上下文，在此过程中丢失了语料库中丰富的语义全局结构。我们提出新型检索系统STAIR，使LLM能够利用语料库的全局结构（如目录），高效存储和检索其模型参数中的信息。通过与微调可微搜索索引（DSI）的详尽消融研究表明：目录有助于构建低幻觉（<0.05%）的生成式IR系统，且能在极少训练样本时实现良好泛化。为推动基于目录检索的新型研究方向，我们开源了SearchTome——包含6个领域18本书籍的多样化基准库。STAIR在SearchTome上取得82.6%的Recall@1分数，显著优于DSI（76.9%），同时轻松超越BM25（59.5%）、DPR（68.7%）及原生Mistral模型（13.8%）。