arXiv cs.AI· Hangeol Chang, Changsun Lee, Seungjoon Rho, Junho Yeo, Jong Chul Ye·· 10 小时前AI 评分29
HYPER:面向证据检索的假设引导规划框架
HYPER: Hypothesis-Guided Planning for Evidence-Seeking Retrieval
AI 导读
HYPER 是一个无需训练的前置检索规划框架,将 RAG 从主题导向检索转向证据导向检索,以临时答案假设为规划锚点,把检索拆分为支持、区分、特征三种证据角色。在 MedQA 和 MMLU-Med 上,其平均准确率在十个基线中最佳,分别比 Simple RAG 提升 5.9 和 3.6 个百分点,增益也迁移到 MMLU-Pro 的 14 个学科,代价是每题多两次 LLM 调用。
正文 · AI 翻译
摘要:检索增强生成(RAG)通过将生成建立在外部非参数化知识之上来改进大语言模型(LLM)。然而,当任务需要在相互竞争的多种可能性中做出选择时,例如在若干看似合理的备选诊断中确定一个诊断,主题相关的上下文往往不足以驱动最终决策。为解决这一问题,我们提出 HYPER:面向证据寻求检索的假设引导规划(Hypothesis-Guided Planning for Evidence-Seeking Retrieval),这是一个无需训练的检索前规划框架,将 RAG 从面向主题的检索重新导向面向证据的检索。HYPER 使用一个暂定答案假设作为规划锚点,然后将检索分解为三种证据角色。支持(Support)为暂定答案寻求证据。区分(Distinction)检索能够区分相互竞争备选项的标准。特征(Feature)为决策所需的显著问题特征提供依据。这一规划步骤将检索引导至决策边界附近的证据,使生成器能够依据与所需选择更直接对齐的上下文来作答。在 MedQA 和 MMLU-Med 上,单查询检索的表现低于不进行检索的思维链提示,而 HYPER 在十个基线中取得了最佳平均准确率,分别比 Simple RAG 提升 5.9 和 3.6 个百分点。其增益可迁移至 MMLU-Pro 的 14 个学科,代价是每个问题额外进行两次 LLM 调用。代码可在 此 https URL 获取。
| 评论: | EACL 2027(Findings) |
| 学科: | 计算与语言(cs.CL);人工智能(cs.AI);机器学习(cs.LG) |
| 引用为: | arXiv:2603.19008 [cs.CL] |
| (或本版本使用 arXiv:2603.19008v2 [cs.CL]) | |
| https://doi.org/10.48550/arXiv.2603.19008 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Jong Chul Ye [查看邮箱]
[v1]
2026年3月19日星期四 15:15:58 UTC(281 KB)
[v2]
2026年11月18日星期三 12:02:07 UTC(132 KB)
来源:arXiv cs.AI · arxiv.org