研究者提出QDRAG框架提升RAG引用忠实度
热点事件持续更新
研究者提出QDRAG框架提升RAG引用忠实度
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Yue Liu等研究者在arXiv论文中提出可归因多模态RAG框架QDRAG，将输入问题分解为原子子问题以识别隐式实体，并用reranker剪除干扰上下文以消除过度引用。该论文已被AAAI 2026接收。 QDRAG包含QD-C与QD-R两种zero-shot查询分解方法，分别基于上下文知识和检索奖励引导QD MLLM。作者称，在四个多模态QA基准上的实验显示，QDRAG在域内和域外测试中全面超越基线，甚至超过Gemini-Pro。
AI 根据报道生成 · 2 小时前更新
最新进展11月14日 13:00
QDRAG：通过查询分解提升 RAG 引用忠实度与泛化能力报道时间线
沿着报道，了解事件的不同侧面。
11月14日
- arXiv cs.AIQDRAG：通过查询分解提升 RAG 引用忠实度与泛化能力
一项 arXiv 论文提出可归因 RAG 框架 QDRAG，将输入问题分解为原子子问题以识别隐式实体，并用 reranker 剪除干扰上下文以消除过度引用。其提出 QD-C 与 QD-R 两种 zero-shot 查询分解方法，分别基于上下文知识和检索奖励引导 QD MLLM。在四个多模态 QA benchmark 上，QDRAG 在域内和域外测试中全面超越基线，甚至超过 Gemini-Pro。
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。