arXiv cs.AI· Vineet Kumar, Meghanadh Pulivarthi, vishwajeet kumar, Jaydeep Sen, Riyaz Ahmad Bhat, Sachindra Joshi·· 3 天前AI 评分31
STAIR：利用文档目录结构增强检索的 LLM 检索器与 SearchTome 基准
STAIR (STructure Aware Information Retriever): A novel dataset and LLM based retriever for document structure augmentation
AI 导读
研究者提出基于 LLM 的检索系统 STAIR，利用语料库的全局结构（如目录 ToC）来存储和检索信息，在自建基准 SearchTome 上取得 82.6% 的 Recall@1，高于 DSI 的 76.9%、BM25 的 59.5%、DPR 的 68.7% 和开箱即用的 Mistral 的 13.8%。
正文 · AI 翻译
摘要：检索增强生成（RAG）是利用大语言模型（LLM）生成准确且无幻觉答案的关键组件。LLM 在处理长上下文方面不断进步，但仍受困于“迷失在中间”问题。因此，精确准确的检索至关重要。当前的检索器将长上下文按长度切分为可管理的块——在此过程中丢弃了语料库中丰富且信息量大的语义全局结构。我们提出了一种新颖的检索系统 STAIR，它使 LLM 能够利用语料库中的全局结构（如目录（ToC））来高效地存储和检索其模型参数中的信息。我们使用微调的可微搜索索引（DSI）系统进行的全面而细致的消融研究表明，ToC 有助于构建低幻觉（低于 0.05%）的生成式信息检索（IR）系统，并且能够泛化到训练样本极少的示例。为了进一步研究这一基于 ToC 的检索新方向，我们发布了 SearchTome——一个由 6 个不同领域的 18 本书创建的多样化基准，以进一步研究这一新方向。STAIR 在 SearchTome 上取得了 82.6% 的高 Recall@1 分数，相比之下 DSI 为 76.9%，且该差异具有统计学显著性。STAIR 轻松击败了其他强基线，如 BM25（59.5%）、DPR（68.7%）和开箱即用的 Mistral（13.8%）。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.03874 [cs.AI] |
| （或 arXiv:2609.03874v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2609.03874 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Meghanadh Pulivarthi [查看电子邮件]
[v1]
2026年9月3日星期四 14:02:53 UTC（3,408 KB）
[v2]
2026年10月13日星期二 05:54:31 UTC（3,408 KB）
来源：arXiv cs.AI · arxiv.org