TriageRAG：面向专业领域的失败感知自训练

TriageRAG 按失败类型分流自训练样本，提升专业领域 RAG 适配。

资讯摘要

论文提出 TriageRAG，一种失败感知的自训练方法，用于在仅有未标注语料时把通用 RAG 系统适配到医学等专业领域。它让学生在有、无检索上下文两种条件下回答自生成问题，将样本分为已知、已解决、上下文失败、检索失败四类，并分别匹配训练信号，其中参数化路径教读者在检索缺失时作答。在 11 个数据集和 CS-Bench 上，作者报告其优于同等预算的 SimRAG 1.2–6.4 分。

要点速读

1. 方法按已知、已解决、上下文失败、检索失败四类对自生成问题分流，并分别匹配训练信号。
2. 作者报告在 11 个数据集（Qwen3-4B）和 CS-Bench（Qwen3-8B）上比预算匹配的 SimRAG 高 1.2–6.4 分。
3. 消融显示往返过滤会移除缺少证据的训练上下文，使读者过度信任噪声检索。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。