multi-hop-retrieval

SAG2 提出一种无需嵌入的多跳检索架构，仅使用 SQLite、BM25 和 JEV 上下文证据决策，在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 上取得最高 Recall@5/Recall@10，索引速度快且无需模型调用。

TRACE是一个无需训练的智能体检索框架，专为历史数字档案中的可问责来源发现而设计，在基准测试中以每问题低成本优于RAG基线。

EviReform 提出了一种证据引导的查询重写方法，用于多跳图检索，将检索请求的修订与证据聚合分离，并在 2WikiMultiHopQA、HotpotQA 和 MuSiQue 上超过了最强基线，分别提升了最多 5.59 Recall@5 和 4.50 F1。

本文介绍了HiGram，一种面向LLM智能体的演化式层级图记忆框架，具备路径级定位与协同重写功能，以提高长期推理任务中的检索效率和答案质量。

Moth-Retrieval提出了一种无图的多跳检索方法，在HotpotQA基准测试上优于基于图的系统。

SpecHop 是一个连续推测框架，通过维护多个推测线程并异步验证预测，加速多跳检索代理，在保持最终模型输出不变的情况下，延迟降低高达40%。

LogosKG 提出一种贴合硬件的框架，可在含十亿条边的知识图谱上实现可扩展、可解释的多跳检索；通过度感知分区与按需缓存提升效率，同时不损失保真度。