标签
这项基准测试在 Google 的 FRAMES 多跳问题上对比了 18 种 RAG 流水线变体与一个简单的智能体循环，结果发现最佳流水线得分为 78.9%，而一个可以重新搜索的智能体循环达到 92.7%。令人意外的是，重排序往往会降低准确率。作者还指出，尽管明确要求模型仅依据检索到的文档作答，模型有时仍会凭记忆填补信息空白。
本文介绍TRIAD，一种三阶段自动化方法，用于生成验证数据集，以评估特定领域设置下的多跳RAG系统，并与既定基准进行比较。
A technical post explaining why RAG fails for multi-hop queries and presenting a 9-step roadmap for building context graphs, where entities are nodes and relationships are edges, with a minimal 150-line engine.
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.
本文表明，逐块验证在多跳RAG中会失败，因为没有任何单个块是充分的，并提出基于分解的验证方法来修复这一问题，在多个数据集上展示了显著改进。
本文识别了语言智能体在执行多跳推理时的关键失败模式——“上下文稀释”，并引入了SLEUTH，一种明确追踪已确认事实、活跃假设和开放性问题的认知工作记忆，在多个基准测试中展现出持续的性能提升。
InductWave提出了一种基于小波的归纳嵌入方法，用于知识图谱上的多跳逻辑查询回答，在更少的消息传递层数下实现了竞争性的性能。
MOTHRAG是一个无图的多跳RAG框架，在基准测试上匹配GraphRAG和HippoRAG等基于图的系统的准确率，同时通过使用密集索引和查询时编排避免昂贵的图重建。
本文引入了answer-in-context，一种用于预算受限多跳RAG的诊断指标，用于衡量黄金答案是否存在于打包后的读者上下文中，并提出了一种子模证据打包方法，在特定条件下优于启发式方法。
提出 OPI，一种面向多跳知识图谱问答的本体引导框架，利用以关系为中心的本体图进行双向检索和迭代精炼，在多个基准上取得了最先进的结果。
FlowRAG 提出了一种新颖的语义感知检索框架，该框架构建了四层异构图，并利用频率感知的加权流提取显式推理路径，在复杂推理基准测试中取得了最先进的性能。
作者描述使用基于Qwen模型构建的知识图谱提取器来生成具有挑战性的多跳问答对，用于评估智能体搜索系统。
本文介绍了EvoBrowseComp，这是一个动态基准测试，包含400个英文和400个中文复杂问题，通过实时网络遍历合成，用于评估搜索代理，避免测试集污染，确保对参数记忆的鲁棒性。
一项综合分析超过300篇关于LLM推理的论文，提出了推理范式的分类体系，包括Chain-of-Thought、Multi-Hop、Mathematical、Commonsense等，并总结了常见的失败模式和研究空白。
介绍了一个基准测试，用于评估知识编辑方法如何处理事实编辑的逻辑后果，揭示了像ROME和FT这样的现有方法能准确插入直接断言，但未能传播蕴含知识，性能差距高达24%。
AdaGATE 是一种免训练的证据控制器，用于多跳 RAG。它采用以实体为中心的间隙追踪、微查询生成和基于效用的选择机制，提升了在噪声检索条件下的鲁棒性，在输入令牌更少的情况下达到了最先进的证据 F1 值。