DeFT-RAG：将多跳问题增量拆解为自包含子问题

DeFT-RAG 用自包含子问题与答案缓存提升多跳 RAG 准确率并减少调用。

资讯摘要

论文提出 DeFT-RAG 框架，用于改进检索增强生成对多跳问题的处理。该方法每次根据原问题和已答子问题及其答案生成一个自包含子问题，每个子问题都明确写出所问实体，从而省去规划、依赖跟踪与重写；其余工作交由规则维护的 QA 表和微调轻量决策模型完成，并缓存复用同义子问题的答案。作者报告在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 上，以 gpt-4o-mini 与 Qwen3.6 为骨干时准确率优于十三个基线，输入 token 少于其他迭代方法。

要点速读

1. 每次只生成一个自包含子问题，子问题显式命名所问实体，免去规划、依赖跟踪和重写。
2. 用规则更新 QA 表、用微调轻量决策模型做是/否判断，把部分 LLM 工作移出模型。
3. 作者报告在三个多跳数据集上准确率优于十三个基线；共享 QA 缓存使 23.1% 子问题直接复用答案，LLM 调用减少 12.9% 且准确率不降。

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 2026/10/31 08:00:18（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。