BRIEF-Pro：用于快速准确多跳推理的通用上下文压缩与长短综合
计算与语言
2026-04-28 v2
摘要
随着检索增强生成 (RAG) 解决复杂任务的需求不断增长，越来越大的上下文提供了更丰富的信息，但以更高的延迟和增加的认知负荷为代价。为缓解这一瓶颈，尤其是针对复杂的多跳问题，我们引入了 BRIEF-Pro。它是一个通用、轻量级的压缩器，从检索文档中提炼出针对给定查询的相关证据，生成简洁的摘要，以便无缝集成到基于上下文 RAG 中。使用由相对较短的上下文（少于 1000 单词）组成的种子数据，BRIEF-Pro 被训练执行对超过 10000 单词的扩展上下文进行抽象压缩，涵盖广泛的场景。此外，BRIEF-Pro 提供灵活的用户控制，可通过指定所需的句子数量来调整摘要长度。在四个开放域多跳问答数据集上的实验表明，BRIEF-Pro 生成更简洁且更相关的摘要，提升了小型、大型和专有语言模型的性能。对于 70B 读取模型，BRIEF-Pro 的 32 倍压缩相较于 LongLLMLingua 的 9 倍压缩，平均提升 QA 性能 4.67%，而只需其计算开销的 23%。
引用
@article{arxiv.2510.13799,
title = {BRIEF-Pro: Universal Context Compression with Short-to-Long Synthesis for Fast and Accurate Multi-Hop Reasoning},
author = {Jia-Chen Gu and Junyi Zhang and Di Wu and Yuankai Li and Kai-Wei Chang and Nanyun Peng},
journal= {arXiv preprint arXiv:2510.13799},
year = {2026}
}
备注
Accepted by ACL 2026 Findings. Code and data: https://github.com/JasonForJoy/BRIEF