論文の概要: The Bottleneck Is Retrieval, Not Reading: Diagnosing Evidence-Based Generation with RAG for Long Context Question Answering
- arxiv url: http://arxiv.org/abs/2610.26951v1
- Date: Sun, 18 Oct 2026 09:10:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.406152
- Title: The Bottleneck Is Retrieval, Not Reading: Diagnosing Evidence-Based Generation with RAG for Long Context Question Answering
- Title（参考訳）: ボットネックは検索可能で読めない - 長期質問応答のためのRAGを用いたエビデンスベース生成の診断
- Abstract要約: モデルがラインレベルの引用で答えを返すことを要求するエビデンスベースの生成と、正解と接点を同時にスコアするAns+Evidメトリックを導入する。
我々は2つのコーパスをエビデンス付きマルチドキュメントQAベンチマーク(MultiHop-RAGとQASPER-MP)に再構成する。
- 参考スコア（独自算出の注目度）: 45.13402271651419
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Retrieval-augmented generation (RAG) is the dominant paradigm for grounding large language models in external corpora, but its similarity-driven, chunked pipeline has structural blind spots: it cannot anticipate which passages a question requires and discards document-level context that resolves cross-passage references. We introduce evidence-based generation (EBG), requiring models to return an answer with line-level citations, and a joint Ans+Evid metric that scores correctness and grounding simultaneously. We reformulate two corpora into evidence-grounded multi-document QA benchmarks- MultiHop-RAG and QASPER-MP, a multi-paper adaptation of QASPER with realistic short paper cues, and pair them with a controlled synthetic two-hop haystack and an evidence-augmented NoLiMa spanning 10K-1M characters. Across ten proprietary frontier and three open-weight LLMs, EBG isolates two RAG limitations that long-context models avoid: similarity retrieval surfaces any relevant chunk far more reliably than all required chunks for multi-fact queries, and chunking destroys document meta-information needed to resolve identity-bearing queries. EBG also exposes grounding failures invisible to answer-only evaluation, including incomplete citations in two-needle settings and a widening gap between Ans and Ans+Evid when context contradicts parametric knowledge. Data and code are available at https://github.com/debobanerjee/LC-EBG.
- Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、外部コーパスで大きな言語モデルを基盤とする主要なパラダイムであるが、類似性によって駆動されるチャンクパイプラインには構造的な盲点がある。
本稿では,線レベルの引用による解答をモデルに要求するエビデンスベース生成(EBG)と,正解度と接地度を同時に評価するAns+Evid指標を導入する。
我々は2つのコーパスをエビデンス付きマルチドキュメントQAベンチマーク(MultiHop-RAGとQASPER-MP)に再構成する。
EBGは10のプロプライエタリなフロンティアと3つのオープンウェイト LLMで、長いコンテキストモデルが避ける2つのRAG制限を分離している。
EBGはまた、回答のみの評価には見えない、アンスとアンス+エビッドの間の不完全な引用や、文脈がパラメトリック知識と矛盾する場合のアンスとアンス+エビッドの間のギャップの拡大など、基礎的な失敗を露呈する。
データとコードはhttps://github.com/debobanerjee/LC-EBG.comで入手できる。
関連論文リスト
- HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering [16.576593583698024]
マルチホップ質問応答には、複数の文書から証拠を取得し、散在した事実を一貫性のある推論プロセスに接続するシステムが必要である。
標準検索拡張生成(RAG)は主にクエリとテキストチャンク間の意味的類似性に依存する。
説明可能なマルチホップ質問応答のためのハイパーグラフ・チェーン・オブ・エビデンス・レトリーバル・Augmented GenerationフレームワークであるHyCE-RAGを提案する。
論文 参考訳（メタデータ） (2026-06-12T08:28:42Z) - Rethinking RAG in Long Videos: What to Retrieve and How to Use It? [56.38819694781005]
V-RAGBenchは$langle$query, evidence chunk, answer$rangle$三重項のベンチマークで、検索と生成を忠実に分離した評価を可能にする。
また、CARVEは、コンフィグレーションにまたがって並列レトリバーを動作させ、チャンク毎に入賞構成を識別するためにチャンク適応リランクを用いる手法である。
論文 参考訳（メタデータ） (2026-06-11T10:05:49Z) - S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA [20.283357470094774]
本稿では,S2G-RAG(Structured Sufficiency and Gap-judging RAG)を提案する。
各ターンで、S2G-Judgeは、現在のエビデンスメモリが応答をサポートするかどうかを予測し、もしそうでなければ、不足した情報を記述した構造化されたギャップアイテムを出力する。
これらのギャップ項目は次のクエリにマッピングされ、安定したマルチターン検索トラジェクトリを生成する。
論文 参考訳（メタデータ） (2026-04-26T16:17:54Z) - Align Documents to Questions: Question-Oriented Document Rewriting for Retrieval-Augmented Generation [51.55755193937205]
提案するQREAMは,検索した文書を事実を保存しながら質問指向のスタイルで整列するスタイル制御リライタである。
本フレームワークは,(1) 反復的書き換え探索にスタイリスティックシードを用いたQREAM-ICL,(2) ICL出力から抽出した軽量学生モデルQREAM-FTの2段階からなる。
論文 参考訳（メタデータ） (2026-04-19T08:39:21Z) - BifrostRAG: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety [11.079426930790458]
多くのコンプライアンス関連のクエリはマルチホップであり、リンクされた節間で情報を合成する必要がある。
これは、従来の検索拡張世代(RAG)システムにとっての課題である。
本稿では、言語関係と文書構造の両方を明示的にモデル化した二重グラフRAG統合システムであるBifrostRAGを紹介する。
論文 参考訳（メタデータ） (2025-07-18T03:39:14Z) - Question Decomposition for Retrieval-Augmented Generation [2.6409776648054764]
本稿では疑問分解をサブクエストに組み込んだRAGパイプラインを提案する。
補間的な文書を効果的に組み立てる一方で、再ランク付けによってノイズが減少することを示す。
再ランク自体は標準的なものであるが、LLMによる質問分解と既製のクロスエンコーダのペアリングは、マルチホップ質問の検索ギャップを橋渡しすることを示す。
論文 参考訳（メタデータ） (2025-07-01T01:01:54Z) - Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。
私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。
提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
論文 参考訳（メタデータ） (2025-06-09T17:58:35Z) - Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。
実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。
RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
論文 参考訳（メタデータ） (2025-04-17T16:46:11Z) - BRIEF: Bridging Retrieval and Inference for Multi-hop Reasoning via Compression [91.23933111083389]
Retrieval-augmented Generation (RAG)は、外部知識を統合することで、大きな言語モデル(LLM)を補完することができる。
本稿では,クエリ対応マルチホップ推論を行う軽量なアプローチであるBRIEFを提案する。
オープンソースモデルで構築した合成データに基づいて,BRIEFはより簡潔な要約を生成する。
論文 参考訳（メタデータ） (2024-10-20T04:24:16Z)
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。