論文の概要: Scan or Index? large Evidence Coverage, Answer Quality, and Cost in Long-Document RAG

• arxiv url: http://arxiv.org/abs/2610.28957v1
• Date: Tue, 20 Oct 2026 22:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.153134
• Title: Scan or Index? large Evidence Coverage, Answer Quality, and Cost in Long-Document RAG
• Title（参考訳）: スキャンか索引か? 長期文書RAGにおける大規模エビデンスカバレッジ, 回答品質, コスト
• Abstract要約: Jev、OpenAI Decisions、Cloudflare Clefで、語彙検索と密集検索、ハイブリッドリランク、フルドキュメントスキャンにまたがる11の検索構成を比較した。 本書では、Hybrid + Jevが最も高いエビデンスカバレッジ(94.1%)を達成しており、Jevの全スキャンでは88.7%、OpenAIの高密度検索では81.3%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: Scanning every passage in a long document seems thorough, but does it preserve more useful evidence or produce better answers? We compare 11 retrieval configurations spanning lexical and dense search, hybrid reranking, and full-document scanning with Jev, OpenAI Decisions, and Cloudflare Clef. Our evaluation uses 396 QASPER questions and 80 questions from eight complete textbooks, with common passages, a five-passage limit, and a fixed answer generator. On books, Hybrid + Jev achieves the highest observed evidence coverage (94.1%), compared with 88.7% for Jev full scan and 81.3\% for OpenAI dense retrieval. Full scans examine every passage initially, yet later reduction steps can discard relevant evidence. Higher evidence coverage also does not consistently produce better answers: Hybrid + Decisions achieves the highest observed book Answer Accuracy among retrieval methods (0.892), despite recovering less reference evidence. Full scanning incurs substantially higher latency on books under the tested deployments, while reusable dense retrieval has lower projected API cost than paid decision-based methods as queries accumulate. Most QASPER articles already fit within the hybrid candidate pool, limiting the benefit of scanning. These results highlight evidence retention, answer quality, and reuse cost as complementary criteria for choosing a long-document retrieval strategy.
• Abstract（参考訳）: 長いドキュメントですべてのパスをスキャンすることは徹底しているように思えるが、より有用な証拠を保存したり、より良い回答を得られるか? Jev、OpenAI Decisions、Cloudflare Clefで、語彙検索と密集検索、ハイブリッドリランク、フルドキュメントスキャンにまたがる11の検索構成を比較した。 評価では,8つの完全教科書からの396のQASPER質問と80の質問を用いて,共通通訳,5パス制限,固定応答生成を行う。 本書では、Hybrid + Jevが最も高いエビデンスカバレッジ(94.1%)を達成しており、Jevの全スキャンでは88.7%、OpenAIの高密度検索では81.3\%である。 完全なスキャンは、最初は全ての通路を検査するが、後続の縮小ステップは、関連する証拠を破棄することができる。 ハイブリット + 決定は、参照の少ない証拠を回復したにもかかわらず、検索方法(0.892)の中で、最も観察された本Answer Accuracyを達成します。 完全なスキャニングでは,テスト対象の書籍のレイテンシが大幅に向上する一方,再利用可能な高密度検索では,クエリの蓄積に伴うAPIコストが,有償の意思決定手法よりも大幅に低下する。 ほとんどのQASPER記事は、既にハイブリッド候補プールに収まり、スキャンの利点を制限している。 これらの結果は、長期文書検索戦略を選択するための補完的基準として、保持、回答品質、再利用コストが強調される。

関連論文リスト

• Mr.LHDR: A Benchmark for Multimodal Real-World Long-Horizon Deep Research Agents [72.19038675107662]
  ミスターL(Mr. L)は、検証可能な証拠の長い、既約の連鎖について、現実世界の深い研究を評価するためのベンチマークである。 各質問は隠されたノード関係グラフから構築され、平均12.1の中間結論を必要とする。
  論文  参考訳（メタデータ） (2026-09-10T09:47:44Z)
• Diagnosing Search Behavior and Failure Modes in Long-Horizon Search Agents [63.2133766267587]
  ディープサーチエージェントは、証拠収集のために検索クエリを反復的に発行することで、難解な情報検索質問に答える。 本研究では,長軸探索エージェントの軌跡レベル診断を用いてこれらの質問について検討する。 我々は,各探索ステップで得られた証拠を評価し,エージェントの行動の2つの段階を分離する。
  論文  参考訳（メタデータ） (2026-08-03T08:46:48Z)
• A Hybrid Retrieval and Reranking Framework for Evidence-Grounded Retrieval-Augmented Generation [0.0]
  本研究は,バイオメディカルおよび医療関連文書質問応答における引用認識RAGのハイブリッド検索と再分類の枠組みを提案する。 この枠組みは,25の生物医学的NLPおよび医療用トランスフォーマークエリを用いて,パイロットスケールの概念実証研究として評価された。 その結果, 十分な証拠が得られれば, ハイブリッド検索, 再格付け, 保守的プロンプト, クレームレベルの評価が, RAG応答を裏付ける可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-03T01:33:31Z)
• From BM25 to Corrective RAG: Benchmarking Retrieval Strategies for Text-and-Table Documents [0.0]
  スパース, 密度, ハイブリッド融合, クロスエンコーダリグレード, クエリ拡張, インデックス拡張, 適応検索にまたがる10の検索戦略をベンチマークした。 我々はRecall@k,MRR,nDCGによる検索品質とNumber Matchによるエンドツーエンド生成品質を評価する。
  論文  参考訳（メタデータ） (2026-04-02T07:53:40Z)
• Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
  Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。 このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。 本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
  論文  参考訳（メタデータ） (2026-03-12T19:18:59Z)
• Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
  RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。 クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。 我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
  論文  参考訳（メタデータ） (2025-10-21T13:37:11Z)
• Single-Pass Document Scanning for Question Answering [23.509810618328835]
  本稿では,テキスト全体を線形時間で処理する単一パス文書スキャン手法を提案する。 41のQAベンチマークで、我々のシングルパススキャナはチャンクベースの埋め込み方法よりも一貫して優れています。 全体として、シングルパス文書スキャンは、大量のテキストに対して質問に答える簡単なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-04T01:08:32Z)
• Lexically-Accelerated Dense Retrieval [29.327878974130055]
  LADR (Lexically-Accelerated Dense Retrieval) は, 既存の高密度検索モデルの効率を向上する, 簡便な手法である。 LADRは、標準ベンチマークでの徹底的な検索と同等の精度とリコールの両方を一貫して達成する。
  論文  参考訳（メタデータ） (2023-07-31T15:44:26Z)
• 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。