VikingRAG 用目录感知检索省 token,精度持平 SOTA 仅耗 5%-33% token
_reachsumit · x · 2026-09-11
arXiv 论文 VikingRAG 提出一种目录感知的语义数据管理系统,针对结构化文档的 RAG 检索做 token 优化:
- 核心思路:检索时只暴露相关目录片段而非完整层级,并采用「证据缺口驱动」的多轮检索,在保持高精度的同时大幅压缩结构上下文 token。
- 经验复用:把 agentic 多轮检索的轨迹物化为 experience edges,相似查询直接复用,避免重复探索。
- 自适应升级:证据足够时只用单轮经验增强检索作答,必要时才触发多轮 agentic 检索。
- 效果:基础系统以 SOTA 方法 11.6%–51.9% 的 token 达到相当精度;叠加轨迹复用与自适应升级后,token 消耗降至 5.1%–32.5%,精度仍具竞争力。
「研究」频道最新
- PAPAV 框架综述：多模态具身智能体的感知-行动统一范式 — MikeShou1 · 2026-09-11
- 陶哲轩警告：AI 数学能力与网络攻击能力高度相关，风险非常真实 — sytelus · 2026-09-11
- 欧洲数学会发声：OpenAI 解 Navier-Stokes 是数学史金字塔，但模型不公开是隐忧 — i_dg23 · 2026-09-11
- AI 生成数学涌现,数学界需自建验证规范之争 — _sathvikr · 2026-09-11
- 阿里 RecGPT：三个 LLM 接入淘宝推荐，从拟合日志转向理解意图 — _reachsumit · 2026-09-11
- Meta 推出 Auto-RecSys:自主研究智能体跑多天级推荐系统实验 — _reachsumit · 2026-09-11