VecTree-RAG 把向量检索和树遍历结合起来做科学问答
_reachsumit · x · 2026-07-28
这篇论文提出 VecTree-RAG，把科学问答里的两个任务拆开处理：先找相关论文，再在论文内部定位证据。
- 方法上结合了 向量检索 和 树状遍历：前者负责筛选候选论文/章节，后者负责在结构化文档里找证据。
- 全文不一开始就摊平，而是先保存在 page store 里，等结构定位后再逐步展开。
- 论文在 QASPER（300 题）、LitQA2（54 题）、MOSAIC（49 题） 上评估。
- 文中报告的结果包括：QASPER 上 0.800 的 LLM-judge correctness、LitQA2 上 0.925 准确率、MOSAIC 上 0.547 综合分。
它的核心价值在于：保留文档结构，而不是把论文粗暴切成碎片段。
「研究」频道最新
- LLM 预训练后 SFT、LoRA、RLHF 等 30 问深度解析 — techNmak · 2026-08-24
- 深度学习维度的直观法则：超三维轴张量难以收敛 — francoisfleuret · 2026-08-24
- PyTorch 编译陷阱：FSDP 导致 MFU 下降 — SeunghyunSEO7 · 2026-08-24
- 清华 OVOW：单视频一键重建可交互 4D 物理世界 — jiqizhixin · 2026-08-24
- 研究 Agent 的记忆机制：记录被拒绝的实验 — LazyBoy0000 · 2026-08-24
- 认知考古学、技术演化与延展认知议程 — abenitezburraco · 2026-08-24