PrismRAG：通过抗干扰鲁棒性和策略化推理提升RAG事实准确性
计算与语言
2025-07-28 v1 人工智能
机器学习
摘要
检索增强生成（RAG）常在检索上下文包含混淆的半相关段落时，或在需要深层上下文理解和推理时表现不足。我们提出一种高效微调框架，称为PrismRAG，该框架（i）使用包含金质证据与微妙干扰段落的干扰感知QA对进行训练，（ii）培养推理中心的习惯，使LLM能够规划、论证和综合，而无需依赖大量人工工程化指令。在覆盖多样应用领域和情景的12个开放书籍RAG QA基准测试中评估，PrismRAG平均提升事实准确性5.4%，超越当前最先进的解决方案。
引用
@article{arxiv.2507.18857,
title = {PrismRAG: Boosting RAG Factuality with Distractor Resilience and Strategized Reasoning},
author = {Mohammad Kachuee and Teja Gollapudi and Minseok Kim and Yin Huang and Kai Sun and Xiao Yang and Jiaqi Wang and Nirav Shah and Yue Liu and Aaron Colak and Anuj Kumar and Wen-tau Yih and Xin Luna Dong},
journal= {arXiv preprint arXiv:2507.18857},
year = {2025}
}