論文の概要: Overview of the TREC 2025 Retrieval Augmented Generation (RAG) Track

• arxiv url: http://arxiv.org/abs/2603.09891v1
• Date: Tue, 10 Mar 2026 16:49:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.471234
• Title: Overview of the TREC 2025 Retrieval Augmented Generation (RAG) Track
• Title（参考訳）: TREC 2025レトリーバルAugmented Generation (RAG)トラックの概要
• Authors: Shivani Upadhyay, Nandan Thakur, Ronak Pradeep, Nick Craswell, Daniel Campos, Jimmy Lin,
• Abstract要約: TREC Retrieval Augmented Generation (RAG) トラックの第2版では、検索と生成を統合するシステムの研究が進められている。 2024年の最初のトラックの基盤として、今年の課題は、長い多文のナラティブクエリの導入である。 参加者は、透明性と事実的根拠を確保しながら、検索と生成を組み合わせたパイプラインを設計する。
• 参考スコア（独自算出の注目度）: 52.136178637532886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The second edition of the TREC Retrieval Augmented Generation (RAG) Track advances research on systems that integrate retrieval and generation to address complex, real-world information needs. Building on the foundation of the inaugural 2024 track, this year's challenge introduces long, multi-sentence narrative queries to better reflect the deep search task with the growing demand for reasoning-driven responses. Participants are tasked with designing pipelines that combine retrieval and generation while ensuring transparency and factual grounding. The track leverages the MS MARCO V2.1 corpus and employs a multi-layered evaluation framework encompassing relevance assessment, response completeness, attribution verification, and agreement analysis. By emphasizing multi-faceted narratives and attribution-rich answers from over 150 submissions this year, the TREC 2025 RAG Track aims to foster innovation in creating trustworthy, context-aware systems for retrieval augmented generation.
• Abstract（参考訳）: TREC Retrieval Augmented Generation (RAG) Trackの第2版では、検索と生成を統合して複雑な実世界の情報ニーズに対処するシステムの研究が進められている。 2024年の第1回トラックの基盤として、今年の課題は、推論駆動応答の需要が増大する中で、深い検索課題をよりよく反映する、長い多文のナラティブクエリを導入している。 参加者は、透明性と事実的根拠を確保しながら、検索と生成を組み合わせたパイプラインを設計する。 このトラックはMS MARCO V2.1コーパスを活用し、関連性評価、応答完全性、属性検証、合意分析を含む多層評価フレームワークを採用している。 TREC 2025 RAG Trackは、多面的な物語や、150件以上の投稿からの帰属的な回答を強調することで、拡張世代を検索するための信頼できるコンテキスト認識システムを構築するイノベーションを促進することを目指している。

関連論文リスト

• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [85.77071158740544]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• IterResearch: Rethinking Long-Horizon Agents via Markovian State Reconstruction [107.49922328855025]
  IterResearchは、マルコフ決定過程として長期研究を再構築する、新しい反復的深層研究パラダイムである。 6つのベンチマークで平均+14.5ppの既存のオープンソースエージェントよりも大幅に改善されている。 これは効果的なプロンプト戦略として機能し、ロングホライゾンタスクにおけるReActよりも19.2ppのフロンティアモデルを改善する。
  論文  参考訳（メタデータ） (2025-11-10T17:30:08Z)
• Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers [0.0]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデルを強化するための強力なパラダイムとして登場した。 RAGは、検索品質、基底忠実度、パイプライン効率、ノイズや逆入力に対する堅牢性といった新しい課題を導入している。 本調査は、RAG研究における現在の知識を集約し、次世代の検索強化言語モデリングシステムの基礎となることを目的としている。
  論文  参考訳（メタデータ） (2025-05-28T22:57:04Z)
• A Survey of Multimodal Retrieval-Augmented Generation [3.9616308910160445]
  MRAG(Multimodal Retrieval-Augmented Generation)は、マルチモーダルデータ(テキスト、画像、ビデオ)を検索および生成プロセスに統合することにより、大規模言語モデル(LLM)を強化する。 近年の研究では、MRAGは視覚とテキストの両方の理解を必要とするシナリオにおいて、従来の検索・拡張生成(RAG)よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2025-03-26T02:43:09Z)
• Conversational Gold: Evaluating Personalized Conversational Search System using Gold Nuggets [8.734527090842139]
  本稿では,RAGシステムによって生成された応答の検索効率と関連性を評価するための新しいリソースを提案する。 我々のデータセットは、TREC iKAT 2024コレクションに拡張され、17の会話と20,575の関連パスアセスメントを含む。
  論文  参考訳（メタデータ） (2025-03-12T23:44:10Z)
• INQUIRE: A Natural World Text-to-Image Retrieval Benchmark [51.823709631153946]
  InQUIREは、専門家レベルのクエリにおけるマルチモーダル視覚言語モデルに挑戦するために設計されたテキスト・ツー・イメージ検索ベンチマークである。 InQUIREには、iNaturalist 2024(iNat24)、500万の自然界の画像の新しいデータセット、250のエキスパートレベルの検索クエリが含まれている。 InQUIRE-Fullrank,完全なデータセットランキングタスク,INQUIRE-Rerank,トップ100検索の精算タスクの2つの中核検索タスクを評価した。
  論文  参考訳（メタデータ） (2024-11-04T19:16:53Z)
• The 2nd FutureDial Challenge: Dialog Systems with Retrieval Augmented Generation (FutureDial-RAG) [23.849336345191556]
  この課題は、3000近い高品質なダイアログを備えた実際の顧客サービスデータセットであるMobileCS2データセットの上に構築されている。 本稿では,知識検索のためのトラック1と応答生成のためのトラック2という2つのタスクを定義する。 我々は,2つのトラックのベースラインシステムを構築し,そのシステムが正確な検索を行い,情報的かつ一貫性のある応答を生成できるかどうかを計測する。
  論文  参考訳（メタデータ） (2024-05-21T07:35:21Z)
• A Comprehensive Survey on Relation Extraction: Recent Advances and New Frontiers [76.51245425667845]
  関係抽出(RE)は、基礎となるコンテンツからエンティティ間の関係を識別する。 ディープニューラルネットワークはREの分野を支配しており、顕著な進歩を遂げている。 この調査は、現実世界のREシステムの課題に対処するための研究者の協力的な取り組みを促進することが期待されている。
  論文  参考訳（メタデータ） (2023-06-03T08:39:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。