Hi-Q：基于证据引导的多跳问答层次化查询细化
_reachsumit · x · 2026-09-01
论文提出 Hi-Q 框架，解决多跳问答中查询粒度与证据粒度不匹配的问题。
- 核心逻辑：显式判断当前查询单元是否已被检索证据支持。已解决的节点终止，未解决的节点通过依赖保持的二元算子进行扩展。
- 结构：Hi-Q 生长出一棵查询树，其拓扑结构由语料库支持信号决定，而非固定的分解模板。
- 效果：在全语料库检索设置下，Hi-Q 在三个基准测试中平均达到 52.3 EM 和 64.0 F1，显著优于迭代检索基线 IRCoT（提升 15.1 EM）。
「研究」频道最新
- RL 训练独立于系统提示：模拟黑客案例 — voooooogel · 2026-09-01
- RL 训练使模型行为独立于系统提示词？AI 安全专家激辩 — voooooogel · 2026-09-01
- 生产环境 LLM 决策不应依赖「感觉更好」 — camerongreen95 · 2026-09-01
- 回应 Anthropic 论文：系统提示词对模型行为仍有关键影响 — d33v33d0 · 2026-09-01
- Abliteration 移除模型拒绝机制，保留编码与攻击能力引争议 — aryaman2020 · 2026-09-01
- 简释去噪扩散模型与分数匹配原理 — ariG23498 · 2026-09-01