論文の概要: Inject or Navigate? Token-Efficient Retrieval for LLM Analysis of Transactional Legal Documents
- arxiv url: http://arxiv.org/abs/2607.05764v1
- Date: Tue, 07 Jul 2026 02:42:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.372168
- Title: Inject or Navigate? Token-Efficient Retrieval for LLM Analysis of Transactional Legal Documents
- Title（参考訳）: 注入・ナビゲート : 取引法文書のLCM解析に有効な検索法
- Abstract要約: フルコーパス注入は検索リコールを最大化するが、トークンのフットプリントは問題ではなくコーパスとスケールする。
NAVINDEXは全18機に1.61倍のトークンフットプリント、56倍の回答コンテキスト、25%のコストで接続されたと判断された。
キャッシュインジェクションは、コーパスが検索ペイロードの約10倍以下にとどまっている間のみ、ドルで安価である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Answering questions over a set of transactional legal documents is most simply done by injecting the whole corpus into the LLM's context window on every query. That baseline maximises retrieval recall, but its token footprint scales with the corpus rather than the question, and long-context degradation scales with it. We report what it took to replace full-corpus injection in a legal-document analysis system, comparing it against two structured retrieval modes over our proprietary structure-aware chunking: embedding retrieval (NAVEMBED) and LLM navigation over a compact structured index (NAVINDEX). On a 20-question benchmark with verified ground-truth answers, a position-bias-controlled, reference-anchored pairwise judge scored semantic retrieval with reranking tied with injection on 16 of 18 document-bound questions (injection preferred on 2) while attending to 17.3x fewer input tokens (a general-text-embedding (GTE) configuration reaches 29.9x at a lower tie rate); both modes were judged tied on the 2 out-of-scope controls. NAVINDEX was judged tied on all 18 at a 1.61x smaller total token footprint, a ~56x smaller answering context, and 25% lower dollar cost. We derive a closed-form caching-crossover rule: cached injection is cheaper in dollars only while the corpus stays below roughly ten times the retrieval payload. Scope and uncertainty are quantified in Section 8.
- Abstract（参考訳）: トランザクショナルな法的文書の集合に質問を答えることは、ほとんどの場合、全てのクエリでLLMのコンテキストウィンドウに全コーパスを注入することで行われる。
そのベースラインは検索リコールを最大化するが、トークンのフットプリントは問題ではなくコーパスでスケールし、長いコンテキストの劣化はそれでスケールする。
法文書分析システムにおいて, 完全コーパス注入の代替に要したことを報告し, 当社独自の構造認識チャンキングである埋め込み検索(NAVEMBED)とコンパクト構造インデックス(NAVINDEX)上のLCMナビゲーションの2つの構造化検索モードと比較した。
20-question benchmark with confirmed ground-truth answer, a position-bias- controlled, reference-anchored pairwise judge score re ranking with injection on 16 of 18 document-bound questions (injection preferred on 2) while attend to 17.3x less input tokens ( General-text-embedding (GTE) configuration reach 29.9x at a lower tie rate), were judgeded on the 2 out-of-scope control。
NAVINDEXは全18機に1.61倍のトークンフットプリント、56倍の回答コンテキスト、25%の低価格で接続されたと判断された。
キャッシュインジェクションは、コーパスが検索ペイロードの約10倍以下にとどまっている間のみ、ドルで安価である。
第8節ではスコープと不確実性が定量化されている。
関連論文リスト
- REIGN: Refurbished Embeddings with Integrated Guidance Networks for Efficient Context-Length Scaling [0.0]
REIGNは、生のトークンではなく、凍結したガイダンスネットワーク(GN)からのコンテキスト化されたチャンク埋め込みのシーケンスで動作するバイエンコーダである。
コントラストトレーニングと長期文脈における評価のための,合成長文書検索ベンチマークをリリースする。
2組の重要度試験は、特許上の1.6-4.3倍の大きさのモデルと同等であり、LoCo上の20倍大モデルの0.65 nDCG@10の範囲内に留まる。
論文 参考訳（メタデータ） (2026-08-30T16:50:38Z) - RAG Deserves an Index: Why Ingest-Time Compilation Beats Query-Time Interpretation [0.3887079592126372]
私たちはこのパラダイムをISC(Ingest-time semantic compilation)と呼んでいる。
独自のDDL、メンテナンス契約、移行契約、コストモデルを備えたファーストクラスのデータベースオブジェクトを構築します。
収集ペイロードが32の予算単位のセルすべてに勝つと、500の放送閲覧書き起こしの保持されたサンプルで、クレームがコンパイルされた。
論文 参考訳（メタデータ） (2026-08-21T08:08:48Z) - VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。
100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。
強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
論文 参考訳（メタデータ） (2026-08-18T15:23:06Z) - MMLongBench-Doc-V2: A Corrected-Annotation, Semantics-Aware Revision of MMLongBench-Doc [10.169759525075792]
MMLong-Docは135のPDFに対する1,082の質問のQAベンチマークである。
MMLongBench-Doc-V2は106のアノテーションを修正する。
論文 参考訳（メタデータ） (2026-08-04T09:51:54Z) - Evidence-Unit Fairness and the Limits of Query-Adaptive Sparse-Dense Fusion in Financial Document Retrieval [4.371552631761563]
本研究では,企業10-K申請に対するエキスパートアノテート質問のベンチマークであるFinDERについて,スパース・ディエンスハイブリッド検索について検討した。
検索ユニットが高密度エンコーダの入力ウィンドウよりも大きい場合、高密度モデルはラベル付きエビデンスの大部分を決して見ることができない。
修正されたコーパスでは、BM25とコンパクトな高密度エンコーダを融合させることで、参照レベルhit@10はどちらのコンポーネントよりも約28%向上する。
論文 参考訳（メタデータ） (2026-07-31T18:06:58Z) - RealDocBench: A Benchmark for Field-Level QA and Layout Understanding on Real-World Regulated Documents [0.9003228139607131]
文書解析システムは、住宅ローンの引受、財務報告、サプライチェーンのロジスティクス、臨床記録などの規制された領域にますます多く展開されている。
ほとんどの公開ベンチマークは、学術的なレイアウトや合成散文のアダプタを評価し、単一のOCRまたはマークダウンレベルの類似度スコアを報告している。
実際に規制された文書から構築された2トラックのベンチマークであるRealDocBenchを紹介する。
論文 参考訳（メタデータ） (2026-06-05T15:41:34Z) - Towards Retrieving Interaction Spaces for Agentic Search [62.666902610940525]
最近の直接コーパス(DCI)の研究は、エージェントが5.4のインタラクションやファイル読み取りといったシェルツールを通じて生コーパスと対話できることを示している。
エージェント検索における検索の役割は, LLMコンテキストウィンドウに適合する文書を選択することだけではなく, インタラクション空間を構築することにある。
論文 参考訳（メタデータ） (2026-06-05T03:47:40Z) - Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。
このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。
IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
論文 参考訳（メタデータ） (2026-05-03T19:13:11Z) - KohakuRAG: A simple RAG framework with hierarchical document indexing [1.0844295385744671]
文書構造を4段階のツリー表現で保存する階層型RAGフレームワークであるKohakuragを提案する。
われわれはWattBot 2025 Challengeの評価を行った。これは32の文書から技術的質問に答えるシステムを必要とするベンチマークである。
論文 参考訳（メタデータ） (2026-03-08T12:52:39Z) - LLM-guided Hierarchical Retrieval [54.73080745446999]
LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。
LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。
我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
論文 参考訳（メタデータ） (2025-10-15T07:05:17Z) - Cluster-based Adaptive Retrieval: Dynamic Context Selection for RAG Applications [8.946586077722822]
クラスタベースのAdaptive Retrieval (CAR) は、順序付きクエリ文書類似度距離のクラスタリングパターンを分析して、最適な文書数を決定するアルゴリズムである。
CARは、常に最適な検索深度を選択し、最高TESスコアを達成し、固定されたトップkベースラインを全て上回る。
論文 参考訳（メタデータ） (2025-10-02T05:11:12Z) - Fishing for Answers: Exploring One-shot vs. Iterative Retrieval Strategies for Retrieval Augmented Generation [11.180502261031789]
Retrieval-Augmented Generation (RAG) は、LLM(Large Language Models)に基づく、業界におけるクローズドソース文書の理解とクエリのための強力なソリューションである。
しかしながら、基本的なRAGは、法律および規制領域における複雑なQAタスクに苦しむことが多い。
証拠のカバレッジを改善し、品質に答えるための2つの戦略を探求する。
論文 参考訳（メタデータ） (2025-09-05T05:44:50Z) - ImpliRet: Benchmarking the Implicit Fact Retrieval Challenge [50.93758649363798]
Impliretは、推論の課題をドキュメント側処理にシフトするベンチマークである。
我々は,この環境下で苦戦している,疎水・密集したレトリバーの幅を評価した。
論文 参考訳（メタデータ） (2025-06-17T11:08:29Z) - DAPR: A Benchmark on Document-Aware Passage Retrieval [57.45793782107218]
我々は,このタスクemphDocument-Aware Passage Retrieval (DAPR)を提案する。
State-of-The-Art(SoTA)パスレトリバーのエラーを分析しながら、大きなエラー(53.5%)は文書コンテキストの欠如に起因する。
提案するベンチマークにより,検索システムの開発・比較を今後行うことができる。
論文 参考訳（メタデータ） (2023-05-23T10:39:57Z)
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。