DIVERGE：面向开放式信息检索的多样性增强 RAG 框架
计算与语言
2026-02-03 v1 人工智能
机器学习
摘要
现有的检索增强生成 (RAG) 系统主要设计为假设每个查询只有一个正确答案。这忽略了具有多个合理答案的常见信息检索场景，其中多样性对于避免坠入单一主导响应至关重要，从而限制了创造力并可能损害公平和包容的信息获取。我们的分析揭示，标准 RAG 系统的一个常被忽视的局限性是：它们在利用检索上下文的多样性方面严重不足，使得仅增加检索多样性本身并不产生多样化的生成结果。为此，我们提出了 DIVERGE，一个即插即用的智能体 RAG 框架，采用新颖的反思引导生成和记忆增强的迭代细化，旨在促进多样化观点的同时保持答案质量。我们引入了针对开放式问题中多样性-质量权衡的新指标，并表明这些指标与人类判断高度相关。我们展示，DIVERGE 在与竞争性基线和前沿方法在真实世界 Infinity-Chat 数据集上实现了最佳的多样性-质量权衡，显著提升了多样性而保持了质量。更广泛地说，我们的结果揭示了当前大型语言模型系统在开放式信息检索中的系统性局限性，并表明显式建模多样性可缓解这一问题。我们的代码已公开：https://github.com/au-clan/Diverge
引用
@article{arxiv.2602.00238,
title = {DIVERGE: Diversity-Enhanced RAG for Open-Ended Information Seeking},
author = {Tianyi Hu and Niket Tandon and Akhil Arora},
journal= {arXiv preprint arXiv:2602.00238},
year = {2026}
}