DeFT-RAG：多跳问题分解为可复用子问题的RAG框架
热点事件持续更新
DeFT-RAG：多跳问题分解为可复用子问题的RAG框架
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Dingyi Kang 和 Bingzhe Li 提出 RAG 框架 DeFT-RAG，将多跳问题逐步分解为自包含的子问题，用规则维护 QA 表、用轻量微调决策模型做判断，LLM 只承担单一细粒度任务；语义相同的子问题可从缓存复用答案。 论文称，在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 上，以 gpt-4o-mini 和 Qwen3.6 为骨干时，DeFT-RAG 在十三个基线中取得最佳准确率；在 1,000 个 MuSiQue 问题共享 QA 缓存的设置下，23.1% 的子问题直接由缓存回答，LLM 调用减少 12.9% 且准确率不降。
AI 根据报道生成 · 29 分钟前更新
最新进展10月31日 12:00
DeFT-RAG：将多跳问题增量分解为可复用答案的自包含子问题报道时间线
沿着报道，了解事件的不同侧面。
10月31日
- arXiv cs.AIDeFT-RAG：将多跳问题增量分解为可复用答案的自包含子问题
研究者提出 RAG 框架 DeFT-RAG，把多跳问题逐步分解为自包含子问题，用规则维护 QA 表并用轻量微调决策模型做判断，LLM 只承担单一细粒度任务，且缓存 QA 对供相同语义子问题复用。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。