arXiv cs.CL· Yingtao Ren, Xiao Luo, Yiwei Fu, Jinzhao Zhou, Yu-Cheng Chang, Chin-Teng Lin·· 10 小时前AI 评分29
TRIO：面向 RAG 的任务精炼与个体优化方法
TRIO: Task Refinement with Individual Optimization for Retrieval-Augmented Generation
AI 导读
研究者提出 TRIO，一种面向 RAG 的任务精炼与个体优化方法，通过三个智能体在迭代精炼范式中对齐各自的优化目标。查询扩展智能体负责扩展模糊查询并以答案质量提升量化奖励，判断智能体借助一致性投票标注扩展查询是否充分，答案智能体则用动态匹配奖励结合课程学习优化。多基准实验显示其效果优于现有 SOTA 方法，代码已开源，成果发表于 EMNLP 2026。
正文 · AI 翻译
摘要：本文研究检索增强生成（RAG），它利用外部知识来提升语言模型的性能。尽管已取得显著进展，当前的 RAG 方法仍远未令人满意，原因在于检索不充分以及潜在的幻觉问题。为此，我们提出了一种名为“任务精炼与个体优化”（Task Refinement with Individual Optimization，TRIO）的新型 RAG 方法。TRIO 的核心思想是通过对齐三个精心设计的智能体各自的优化目标，为它们配备迭代精炼范式。具体而言，我们首先用查询扩展智能体扩展歧义查询，并基于改进后的答案质量量化奖励，该奖励可用于精炼我们的智能体以获得更高的扩展效率。为提升检索质量，我们引入一致性投票，将扩展后的查询标注为不充分或充分，并将其生成结果用作真值来优化评判智能体。为进一步提升证据利用率和答案准确性，我们使用基于动态匹配的奖励并结合课程学习来优化答案智能体，以生成最终输出。在多个基准数据集上的大量实验验证了所提出的 TRIO 与最先进方法相比的有效性。我们的代码可在 此 https URL 获取。
| 评论： | 该工作已发表于 EMNLP 2026 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.02810 [cs.CL] |
| （或 arXiv:2611.02810v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.02810 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 相关 DOI： | https://doi.org/10.18653/2026.findings-emnlp.937
链接到相关资源的 DOI |
提交历史
来自：Yingtao Ren [查看电子邮件]
[v1]
2026年11月2日星期一 09:17:22 UTC（3,927 KB）
来源：arXiv cs.CL · arxiv.org