IndexRAG：单次检索，多跳称王

一、多跳QA的困境多跳问答Multi-hop QA要求模型跨越多篇文档进行推理比如回答电影Aylwin的导演出生在哪里需要先找到导演是谁再找到他的出生地。传统RAG方法要么采用固定分块检索Naive RAG无法捕捉文档间的隐性关联要么依赖图结构如HippoRAG、GraphRAG在推理时进行实体抽取和图遍历导致在线推理成本高昂、延迟增加要么采用迭代检索如IRCoT通过多轮检索-生成循环逐步逼近答案但推理时间随步数线性增长。图1不同RAG范式的对比。IndexRAG将跨文档推理从在线阶段转移到离线索引阶段如表1所示现有方法难以同时满足单次检索、跨文档推理、单次LLM调用、无需训练这四个需求。方法单次检索跨文档推理单次LLM调用无需训练Naive RAG✓×✓✓HippoRAG×✓×✓IRCoT×✓×✓IndexRAG✓✓✓✓表1不同RAG方法的能力对比二、离线生成桥接事实IndexRAG的核心洞察是跨文档的推理模式与具体查询无关完全可以在索引阶段预计算。基于此作者提出了两阶段流水线阶段1AKU提取使用LLM将每篇文档分解为原子知识单元AKUs以问答对形式组织同时提取文档中的实体。阶段2桥接事实生成识别在多篇文档中出现的桥接实体bridge entities针对每个桥接实体收集相关文档中的片段提示LLM生成桥接事实Bridging Facts——这些事实显式编码跨文档推理链例如将Aylwin由Henry Edwards导演和Henry Edwards出生于Weston-super-Mare合并为Aylwin的导演出生于Weston-super-Mare。图2IndexRAG架构。(a)离线索引阶段生成AKUs和桥接事实(b)在线推理阶段通过平衡上下文选择机制控制桥接事实比例在线推理时查询通过标准的向量相似度检索从统一的向量库包含原始AKUs和生成的桥接事实中召回Top-K结果。为避免短小的桥接事实过度挤占长文本AKUs的上下文窗口IndexRAG采用平衡上下文选择机制Balanced Context Selection限制桥接事实的最大数量通常设为3确保原始文档信息不被淹没。三、性能与效率兼得在HotpotQA、2WikiMultiHopQA和MuSiQue三个多跳QA基准测试上IndexRAG展现出优异的性能-效率权衡性能方面仅用单次LLM调用的情况下IndexRAG相比Naive RAG平均F1提升4.6分表4在最难的MuSiQue数据集上提升尤为显著34.4 vs 29.9。当与IRCoT结合后IndexRAG平均F1达到55.0超越所有基线包括需要多轮调用的HippoRAG。表4多跳QA性能对比%。灰色背景表示需要多轮LLM调用的方法效率方面IndexRAG的在线推理仅需单次检索单次LLM调用检索延迟仅0.30秒与Naive RAG持平远低于FastGraphRAG2.55秒和HippoRAG3.13秒。所有跨文档推理成本都被转移到离线索引阶段实现了一次构建多次高效查询的范式转移。总之IndexRAG通过索引时推理Index-time Reasoning的创新在不增加在线推理开销的前提下将跨文档推理能力内化到检索单元中为构建高效的多跳QA系统提供了新的思路。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】