跳到正文
AGI Hunt· JeremyCMorgan·· 2 小时前AI 评分42

QueryFlow 论文:查询随图上下文演化,多跳检索 Full Recall@10 提升 8.4 点

QueryFlow 论文:查询随图上下文演化,多跳检索 Full Recall@10 提升 8.4 点

AI 导读

arXiv 论文 QueryFlow 提出多跳 RAG 检索方法,通过让查询随图上下文自适应演化,提升多跳证据检索的完整召回能力。方法将图上下文中的条件化摘要循环整合进共享查询状态,控制后续传播的边界输入与关系特征;在四个多跳 QA 数据集上,相比代表性基线,macro Recall@10、Full Recall@10 和 LLM-Acc 分别提升 4.98、8.40 和 8.0 个百分点。

来源:AGI Hunt · agihunt.info