STEC:用于开放域多跳问答深度搜索的证据压缩
人工智能
2026-07-12 v1 计算与语言
摘要
在开放域多跳问答(QA)中,基于LLM的搜索代理通过结合检索与推理,为知识密集型QA提供了一种有前景的方法。现有方法主要通过推理范式、检索交互和搜索策略优化来改进开放域多跳QA。然而,使用多条搜索轨迹引入了具有挑战性的最终答案选择问题。不同的轨迹可能支持不同的候选答案,并且检索到的信息可能是异构、冗余、不完整或冲突的。直接比较原始轨迹会使验证器暴露于噪声和未对齐的内容,而比较答案字符串则忽略了支持每个候选答案的证据,使得可靠的最终选择变得困难。为了应对这一挑战,我们提出了STEC,一个用于多跳QA中最终答案选择的证据压缩框架。STEC通过两种机制从现有候选集中选择最终答案:(1)答案级证据压缩,按归一化的答案身份对轨迹进行分组,并将每个答案组转换为特定于候选答案的证据表示;(2)证据引导的答案验证,比较这些表示并从候选集中选择最终答案。该设计将最终选择从原始轨迹比较转变为候选级证据比较。我们在四个开放域多跳QA基准上评估了STEC,并与代表性基线进行了比较。实验结果表明,STEC在比较方法中整体表现最佳,消融结果提供了证据表明答案级证据压缩有助于最终答案选择。
引用
@article{arxiv.2607.10795,
title = {STEC: Evidence Compression for Deep Search in Open-domain Multi-Hop QA},
author = {Xinkang Li and Rong Jiang and Xin Song and Ye Wang and Yue Han and Changjian Li},
journal= {arXiv preprint arXiv:2607.10795},
year = {2026}
}