PAR$^2$-RAG：用于多跳问答的计划主动检索与推理
人工智能
2026-04-01 v1
摘要
大型语言模型（LLMs）在多跳问答（MHQA）方面仍显脆弱，后者需要通过检索和推理将跨文档的证据进行组合。迭代检索系统可能因锁定早期低召回轨迹而放大后续错误，而计划导向的方法则可能产生无法适应中间证据变化的静态查询集合。我们提出了计划主动检索与推理 RAG（PAR-RAG），一个两个阶段的框架，将“覆盖”与“承诺”分离。PAR-RAG 首先执行宽度优先锚定以构建高召回证据前沿，然后在具有证据充分性控制的迭代循环中应用深度优先细化。在四个 MHQA 基准测试中，PAR-RAG 一致优于现有 SOTA 基线，与 IRCoT 相比，PAR-RAG 在准确率上提升最高可达 \textbf{23.5\%}，NDCG 检索得分提升最高可达 \textbf{10.5\%}。
引用
@article{arxiv.2603.29085,
title = {PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering},
author = {Xingyu Li and Rongguang Wang and Yuying Wang and Mengqing Guo and Chenyang Li and Tao Sheng and Sujith Ravi and Dan Roth},
journal= {arXiv preprint arXiv:2603.29085},
year = {2026}
}
备注
11 pages, 2 figures