arXiv cs.CL· Yikai Zhu, Kunfeng Chen, Qihuang Zhong, Juhua Liu, Bo Du·· 3 天前AI 评分27
ConRAG：面向多跳问答的共识驱动证据流框架
ConRAG: Consensus-Driven Evidence Flow for Multi-Hop Question Answering
AI 导读
ConRAG 是一个共识驱动证据流框架，通过多视角共识排序筛选相关证据，并用槽位机制在依赖的推理步骤间传递中间信息，以提升 LLM 的多跳问答表现。在三个多跳 QA 基准上，ConRAG 在 Gemma-4-31B-it 上平均分超出最强基线 5.8 分，端到端运行时间和 token 消耗分别降低 75.9% 和 67.3%。
正文 · AI 翻译
摘要：检索增强生成（RAG）已成为一种有前景的范式，用于增强大语言模型（LLM）在多跳问答（QA）上的表现，而多跳问答需要对来自多个文档的证据进行推理。然而，当前的多跳 RAG 方法在证据选择和信息传递方面仍存在困难，即检索到不相关的段落，或未能将中间信息传递到后续推理步骤，从而阻碍了连贯的多跳推理。为此，我们提出了 ConRAG，一个共识驱动的证据流框架，可有效提升 LLM 在复杂多跳问答上的表现。简而言之，ConRAG 的核心是通过共识驱动的多视角排序来选择相关证据，并利用基于槽位的机制在相互依赖的推理步骤之间传递中间信息。在三个多跳问答基准上的大量实验表明，ConRAG 明显超越了基线。令人鼓舞的是，在 Gemma-4-31B-it 上，ConRAG 的平均得分比最强基线高出 5.8 分，同时将端到端总运行时间和 token 消耗分别减少了 75.9% 和 67.3%。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2605.28093 [cs.CL] |
| （或 arXiv:2605.28093v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.28093 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yikai Zhu [查看邮箱]
[v1]
2026年5月27日星期三 07:51:46 UTC（1,243 KB）
[v2]
2026年6月9日星期二 08:12:08 UTC（1,243 KB）
[v3]
2026年10月14日星期三 16:22:16 UTC（1,230 KB）
来源：arXiv cs.CL · arxiv.org