QueryFlow 论文:查询随图上下文演化,多跳检索 Full Recall@10 提升 8.4 点
JeremyCMorgan · x · 2026-11-12
arXiv 论文《QueryFlow: Multi-Hop Graph Retrieval with Adaptive Query Evolution》提出一种多跳 RAG 检索新方法：
- 核心问题：现有多跳检索系统把查询视为固定，仅随证据累积更新实体表示；但有些支持证据的相关性要通过中间事实才显现，固定查询会漏掉它们。
- 方法：把多跳证据恢复看作「证据表示与查询条件的耦合演化」，循环地把图上下文的查询条件化摘要整合进共享查询状态，由它控制后续传播的边界输入与关系特征。
- 结果：在四个多跳 QA 数据集上，相对代表性基线，macro Recall@10、Full Recall@10、LLM-Acc 分别提升 4.98、8.40、8.0 个百分点。
作者认为值得迭代式检索 agent 借鉴。
「研究」频道最新
- 微软研究院推出 ATLAS 与 JANUS：金属玻璃新材料发现的神经采样器 — LesterMackey · 2026-11-12
- 把 Qwen「调小」后更爱社会工程学，人格可被向量操控 — Sauers_ · 2026-11-12
- 预训练与后训练为何缺少协同设计？研究者感叹公司只是在交付组织架构 — SonglinYang4 · 2026-11-12
- Google Research 与临床医生合作，训练懂患者上下文的医疗模型 — burny_tech · 2026-11-12
- 每张图都是一段压缩的论证：数据科学核心图表一次讲清 — burny_tech · 2026-11-12
- AI 30 小时形式化费马大定理，Yang-Mills 构造获诺奖得主委员会签核 — rand_longevity · 2026-11-12