DecisionRAG 论文：不用检索器，靠决策模型单次前向遍历语料树
_reachsumit · x · 2026-10-28
Cornell Kilian Weinberger 组等提出 DecisionRAG，用「决策模型」取代传统检索器：像人在图书馆找书一样，从语料固有的层级结构（大主题到具体段落）逐层下行，在每层用决策模型单次前向、不生成任何 token 地同时评估所有候选分支。
关键结果：
- 无需任务特定训练、无需第一阶段的稠密检索器，MultiDoc2Dial 上 R@1 超过带 8B reranker 的稠密检索 13.8 点，Natural Questions 上 Hit@1 高 17.4 点
- 在含 268 万 Wikipedia 段落的语料库等四个基准上，每次查询检索耗时仅 0.7–1.8 秒
动机是解决检索与生成的能力不对称：现有检索靠词面匹配或固定 embedding 相似度，检索器找不到的内容再强的生成器也补不回来；DecisionRAG 把 LLM 的判断能力引入检索，共享上下文中评分让候选相关性估计可比较。
「研究」频道最新
- Anthropic 自建药物发现管线：Claude 主导罕见病新药研发 — ZeroStateReflex · 2026-10-28
- Anthropic 携手 BigHat Bio：智能体直控湿实验室加速抗体工程 — anshulkundaje · 2026-10-28
- 研究者争论：AI 生成文本与人类文本差异尚无技术不可解证据 — _akpiper · 2026-10-28
- 粗粒化模拟可跨尺度放大，回应全原子生物体模拟不可行之说 — TimothyDuignan · 2026-10-28
- Agent harness 要被模型「吃掉」了?蒸馏实验显示通用脚手架正被训练进模型 — rseroter · 2026-10-28
- 「抽象神经元当嵌入」在词相似度上胜过全部 SOTA,句子检索惨败 — mayfer · 2026-10-28