MatRAG：套娃嵌入层次索引，降低多跳问答检索成本
_reachsumit · x · 2026-10-02
论文核心
多跳 QA 的 RAG 系统常在索引期（构建知识图谱、LLM 摘要）或查询期（迭代 LLM 检索）付出高成本。MatRAG 将 RAG 与 Matryoshka 表示学习（MRL）结合：把文档语料组织成粒度逐层变粗的簇 DAG，越粗的层次用越短的 Matryoshka 嵌入维度做索引。
方法与结果
- 检索采用自顶向下的 DAG 迭代遍历，配合实体驱动机制控制 hop 预算并对候选重排。
- 在三个标准多跳 QA 基准上对比七个代表性基线：检索质量最优，且免去 KG 构建与 LLM 摘要降低索引成本，通过维度感知相似度计算降低查询成本。
「研究」频道最新
- 视频:从 GAN 到 self-play,对抗目标如何贯穿现代 AI 技术 — manicman1999 · 2026-10-02
- 新论文质问：基因表达基础模型的基准评测真的有信息量吗 — simocristea · 2026-10-02
- 牛津 VGG 发布 SynCity 3000：一次生成全局连贯的大规模 3D 场景 — rsasaki0109 · 2026-10-02
- ChrSzegedy 翻出 2019 年访谈：当年被视为疯狂的 AI 数学与编程时间线 — ChrSzegedy · 2026-10-02
- Omni-Embed-Mini：0.9B 参数统一嵌入六种模态且文本检索零退化 — _reachsumit · 2026-10-02
- Apple 论文:选择式结构化推理降低搜索 agent 延迟超 90% — _reachsumit · 2026-10-02