Meta RAGCompass:读检索结果选路由,答案 F1 较最佳固定检索器提升 28%
_reachsumit · x · 2026-11-06
Meta 研究者的论文《RAGCompass: Generalizable Retriever Routing via Reranking》解决多检索器 RAG 的路由问题:没有检索器在所有查询上都最优,但现有路由器只看查询特征、依赖固定检索器池,遇到没见过的检索器或语料就失效。
RAGCompass 的做法:
- 直接读取各检索器返回的 passage 集合本身做比较,陌生检索器/语料的输出与其他 passage 直接可比,路由天然可泛化。
- 用对比学习微调 reranker,以每个证据集产出的答案质量为信号,这是主要收益来源;再加一个小的比较头带来适度提升,两个组件都无检索器专属参数。
- 答案 F1 相比最佳固定检索器相对提升 28%,超过 fusion 基线、三个 query-only 路由器和一个 prompted 8B 模型。
- 泛化实验:在未见过的语料/检索器/reader 下仍保留大部分收益,query-only 基线则跌到最佳固定检索器水平或更低。
「研究」频道最新
- IEEE 触觉专刊征稿：聚焦接触式灵巧操作中的触觉感知 — HaozhiQ · 2026-11-06
- SSRN 论文剖析数据中心选址难题与社区反对潮 — HooverInstitution · 2026-11-06
- Caltech Van Valen 实验室宣布离开 X,模型全部转投 Hugging Face — anshulkundaje · 2026-11-06
- Soumith 晒图：Inkling 2 基础模型代码损失超越 GLM-5.3 与 DeepSeek V4 — soumithchintala · 2026-11-06
- Cartesia H-Net 展示「上下文分词」:模型无分词器也能学会切分 DNA 与生词 — TheTuringPost · 2026-11-06
- 第三方复核:零公理 Lean 4 形式化成立,但并未真正解决千禧年 Yang–Mills 难题 — kevrussell · 2026-11-06