QIAS 2025 共享任务中的 Transformer Tafsir：用于伊斯兰知识问答的混合检索增强生成
计算与语言
2025-09-30 v1
摘要
本文提出了我们在伊斯兰知识理解与推理方面的 QIAS 2025 共享任务投稿。我们开发了一种混合检索增强生成（RAG）系统，结合稀疏和密集检索方法以及交叉编码器重排序，以提升大语言模型（LLM）的性能。我们的三阶段流水线包含用于初始检索的 BM25、用于语义匹配的密集嵌入检索模型，以及用于精确内容检索的交叉编码器重排序。我们使用两种大语言模型 Fanar 和 Mistral 在两个子任务上评估了所提方法，结果表明所提出的 RAG 流水线在两个子任务上均提升了性能，准确率最高提升 25%，具体取决于任务和模型配置。最佳配置使用 Fanar 模型，在子任务 1 中获得 45% 的准确率，在子任务 2 中获得 80% 的准确率。
引用
@article{arxiv.2509.23793,
title = {Transformer Tafsir at QIAS 2025 Shared Task: Hybrid Retrieval-Augmented Generation for Islamic Knowledge Question Answering},
author = {Muhammad Abu Ahmad and Mohamad Ballout and Raia Abu Ahmad and Elia Bruni},
journal= {arXiv preprint arXiv:2509.23793},
year = {2025}
}
备注
Accepted at ArabicNLP 2025, co-located with EMNLP 2025