BEAR：面向多文档推理的预算化证据分配
计算与语言
2026-05-28 v2
摘要
我们认为，多文档推理不仅受限于模型能够读取的文本量，还受限于有限的查询时证据预算如何在文档与语义粒度之间进行分配。全上下文推理以非选择性的方式向模型暴露广泛证据，且单次查询成本高昂；而扁平的块检索通常返回局部相关的段落，其组织方式不利于跨文档综合。我们提出了 \textbf{BEAR}，这是一个结构化证据分配框架，它离线构建层次化语义索引，并在查询时通过互补的\emph{探索}与\emph{恢复}路径执行由粗到细的证据访问。这种由粗到细的设计可被视为在固定证据上下文预算下的结构化证据分配。在合成与真实基准测试中，BEAR 在 DragonBall 上表现尤为出色，在 HotpotQA 上与强大的基于检索的基线保持竞争力，并在我们的评估协议下于 2Wiki 上取得了最佳的基于检索的结果，同时其运行所需的\emph{查询时证据预算}远小于所报告的长上下文参考方法。进一步分析表明，这些增益与作为分配底座的层次结构以及互补的探索和恢复机制相关，而非单纯归因于语义分块。
引用
@article{arxiv.2601.18116,
title = {BEAR: Budgeted Evidence Allocation for Multi-Document Reasoning},
author = {Lin Sun and Linglin Zhang and Jingang Huang and Change Jia and Zhengwei Cheng and Xiangzheng Zhang},
journal= {arXiv preprint arXiv:2601.18116},
year = {2026}
}