RISE：多跳问答中基于迭代自探索的推理增强

Large Language Models (LLMs) 在许多领域表现出色，但在复杂推理任务上仍面临挑战，例如多跳问答。MHQA 需要整合来自不同来源的证据，同时管理复杂的逻辑依赖关系，这经常导致推理错误。检索增强生成广泛应用于 MHQA 任务，但在有效过滤噪声数据和检索所有必要证据方面面临挑战，从而限制了其在应对 MHQA 挑战时的有效性。为了应对这些挑战，我们提出了 RISE：基于迭代自探索的推理增强，这是一个旨在通过迭代自探索增强模型推理能力的新颖框架。具体而言，RISE 在处理 MHQA 任务时包含三个关键步骤：问题分解、检索后阅读和自我批判。通过利用持续的自探索，RISE 识别准确的推理路径，迭代地自我提升模型整合证据、保持逻辑一致性的能力，并增强在 MHQA 任务中的表现。在多个 MHQA 基准上的大量实验表明，RISE 显著提高了推理准确性和任务表现。