NeocorRAG：通过证据链减少无关信息、提供更明确证据并实现更有效召回
信息检索
2026-05-01 v1 人工智能
摘要
尽管精确召回是检索增强生成（RAG）的核心目标，但该领域存在一个关键疏忽：检索性能的提升并不总能转化为下游推理的相应增益。为了诊断这一差距，我们提出了召回转化率（RCR），这是一个用于量化检索对推理准确性贡献的新型评估指标。我们对主流RAG方法的定量分析表明，随着Recall@5的提高，RCR呈现出近似线性的衰减。我们将这些方法对检索质量的忽视确定为根本原因。相比之下，仅专注于质量优化的方法往往召回性能较差。这两类方法都缺乏对检索质量优化的全面理解，导致了一个权衡困境。为了解决这些挑战，我们提出了全面的检索质量优化标准，并引入了NeocorRAG框架。该框架通过系统地挖掘和利用证据链来实现整体的检索质量优化。具体来说，NeocorRAG首先采用一种创新的激活搜索算法来获得一个精炼的候选空间。然后，它通过约束解码确保精确的证据链生成。最后，检索到的证据链集合指导检索优化过程。在包括HotpotQA、2WikiMultiHopQA、MuSiQue和NQ在内的基准测试上评估，NeocorRAG在3B和70B参数模型上均实现了SOTA性能，同时消耗的token数量不到同类方法的20%。本研究为RAG增强提供了一种高效、无需训练的范式，在保持高召回率的同时有效优化了检索质量。我们的代码发布于https://github.com/BUPT-Reasoning-Lab/NeocorRAG。
引用
@article{arxiv.2604.27852,
title = {NeocorRAG: Less Irrelevant Information, More Explicit Evidence, and More Effective Recall via Evidence Chains},
author = {Shiyao Peng and Qianhe Zheng and Zhuodi Hao and Zichen Tang and Rongjin Li and Qing Huang and Jiayu Huang and Jiacheng Liu and Yifan Zhu and Haihong E},
journal= {arXiv preprint arXiv:2604.27852},
year = {2026}
}
备注
Accepted to WWW 2026