論文の概要: Verbal-R3: Verbal Reranker as the Missing Bridge between Retrieval and Reasoning

• arxiv url: http://arxiv.org/abs/2605.01399v1
• Date: Sat, 02 May 2026 11:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.750308
• Title: Verbal-R3: Verbal Reranker as the Missing Bridge between Retrieval and Reasoning
• Title（参考訳）: Verbal-R3:RetrievalとReasoningの中間橋としてのVerbal Reranker
• Authors: Sangkwon Park, Donghun Kang, Jisoo Mok, Sungroh Yoon,
• Abstract要約: 本稿では,検索結果と大言語モデルの推論能力をVerbal sを介して橋渡しする手法を提案する。 本稿では,ジェネレータとバーバルリランカを組み合わせた新しいエージェントRAGフレームワークであるVerbal-R3を紹介する。 Verbal-R3は、複雑な質問応答ベンチマークで最先端のパフォーマンスを実現し、提案したフレームワークの有効性を検証する。
• 参考スコア（独自算出の注目度）: 48.15732775780642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The conventional Retrieval-Augmented Generation (RAG) paradigm of injecting raw retrieved texts into the Large Language Model (LLM)'s context often results in suboptimal integration of retrieved information. This paper proposes to bridge retrieval results and the LLM's reasoning ability through Verbal Annotations, analytic narratives that explicitly articulate the logical connection between a search query and retrieved contexts. Our empirical investigation reveals the potential of Verbal Annotations to substantially enhance the LLM's ability to generate accurate, contextually-grounded responses. Motivated by this finding, we introduce Verbal-R3, a novel agentic RAG framework that consists of a Generator and a Verbal Reranker. The Generator performs iterative retrieval and reasoning, while the Verbal Reranker returns relevance scores and Verbal Annotations to guide the reasoning and answering process of the Generator. The inference process of Verbal-R3 is further refined through relevance-guided test-time scaling, which efficiently allocates test-time compute for effective trajectory expansion. Verbal-R3 achieves state-of-the-art performance on complex Question Answering benchmarks, validating the effectiveness of the proposed framework.
• Abstract（参考訳）: 検索されたテキストをLarge Language Model (LLM) のコンテキストに注入する従来のRAG(Retrieval-Augmented Generation)パラダイムは、しばしば検索された情報の準最適統合をもたらす。 本稿では,検索クエリと検索コンテキスト間の論理的関係を明確に記述した解析的ナラティブであるVerbal Annotationsを用いて,検索結果とLLMの推論能力の橋渡しを提案する。 我々の経験的調査は、LLMの正確な文脈的応答を生成する能力を大幅に向上させる、Verbal Annotationsの可能性を明らかにしている。 そこで本研究では,ジェネレータとバーバルリランカで構成される新しいエージェントRAGフレームワークであるVerbal-R3を紹介する。 ジェネレータは反復検索と推論を行い、バーバルリランカは関連スコアとバーバルアノテーションを返し、ジェネレータの推論と応答のプロセスをガイドする。 Verbal-R3の推論プロセスは、効率の良い軌道拡大のためにテスト時間計算を効率的に割り当てる関連性誘導テストタイムスケーリングによってさらに洗練される。 Verbal-R3は、複雑な質問応答ベンチマークで最先端のパフォーマンスを実現し、提案したフレームワークの有効性を検証する。

関連論文リスト

• Latent Abstraction for Retrieval-Augmented Generation [4.6096940605642915]
  既存のシステムは各ホップで自然言語クエリを生成することに依存している。 我々は,単一のLLMが符号化,検索,生成を同時に行う統一的なフレームワークである textbfLAnR (Latent Abstraction for RAG) を提案する。
  論文  参考訳（メタデータ） (2026-04-20T06:26:13Z)
• Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。 既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。 本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
  論文  参考訳（メタデータ） (2026-04-14T11:36:29Z)
• M-RAG: Making RAG Faster, Stronger, and More Efficient [15.147969102210759]
  大規模言語モデルのための新しいチャンクフリー検索戦略であるM-RAGを提案する。 M-RAGは構造化されたk-v分解メタマーカーを軽量で意図に整合した検索キーで抽出する。 M-RAGは高い効率で解答フレンドリーな証拠を回収できることを示す。
  論文  参考訳（メタデータ） (2026-01-06T15:14:54Z)
• Hybrid Retrieval-Augmented Generation for Robust Multilingual Document Question Answering [0.3376269351435395]
  大規模なデジタル化のイニシアチブは、多くの歴史新聞を解き放った。 雑音の多い歴史文書に対する質問応答に特化して設計された多言語検索型拡張生成パイプラインを開発し,評価する。
  論文  参考訳（メタデータ） (2025-12-14T13:57:05Z)
• Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。 近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。 提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
  論文  参考訳（メタデータ） (2025-11-12T08:29:39Z)
• All for law and law for all: Adaptive RAG Pipeline for Legal Research [0.8819595592190884]
  Retrieval-Augmented Generation (RAG)は、テキスト生成タスクのアプローチ方法を変えました。 この作業では、以前のベースラインを改善した、新しいエンドツーエンドのRAGパイプラインを導入している。
  論文  参考訳（メタデータ） (2025-08-18T17:14:03Z)
• DeepRAG: Thinking to Retrieve Step by Step for Large Language Models [92.87532210660456]
  我々はマルコフ決定過程(MDP)として検索強化推論をモデル化するDeepRAGを提案する。 クエリを反復的に分解することで、DeepRAGは外部知識を取得するか、あるいは各ステップでパラメトリック推論に依存するかを動的に決定する。 実験の結果,DeepRAGは検索効率を向上し,回答精度を26.4%向上させ,検索強化推論の有効性を示した。
  論文  参考訳（メタデータ） (2025-02-03T08:22:45Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)

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。