RAG-R1：通过多查询并行激发大语言模型的检索与推理能力
计算与语言
2026-01-14 v6 人工智能
信息检索
摘要
尽管大型语言模型（Large Language Models, LLMs）展现出卓越的能力，但仍容易生成幻觉或过时内容 due to其内部知识具有静态特性。虽然将检索增强生成（Retrieval-Augmented Generation, RAG）与强化学习（Reinforcement Learning, RL）集成提供了解方策，但这些方法受限于单查询模式，导致延迟高昂且固有脆弱。为克服这些限制，我们引入RAG-R1，一种围绕多查询并行构建的新型两阶段训练框架。我们的框架使大语言模型能够在推理过程中灵活地利用内部和外部知识，实现从单查询模式向多查询并行的转变。这种架构变革增强了推理鲁棒性，同时显著降低了推理延迟。在七个问答基准测试中进行的大规模实验表明，我们的方法优于最强 baselines，最高可提升13.7%，推理时间缩短11.1%。
引用
@article{arxiv.2507.02962,
title = {RAG-R1: Incentivizing the Search and Reasoning Capabilities of LLMs through Multi-query Parallelism},
author = {Zhiwen Tan and Jiaming Huang and Qintong Wu and Hongxuan Zhang and Chenyi Zhuang and Jinjie Gu},
journal= {arXiv preprint arXiv:2507.02962},
year = {2026}
}