BERAG：贝叶斯集成检索增强生成用于知识型视觉问答

BERAG 用贝叶斯集成替代文档拼接，缓解长上下文信息被忽略问题

资讯摘要

论文提出 BERAG 与 BEFT 框架，让语言模型分别以单个检索文档为条件生成，而非拼接成单一上下文；BERAG 将文档后验概率作为集成权重，并在生成过程中按贝叶斯规则逐 token 更新。作者报告其在知识型视觉问答任务上较标准 RAG 有明显提升，在 Document VQA 与多模态 needle-in-a-haystack 基准上增益较强，并缓解“lost-in-the-middle”效应；文档后验还可用于检测依据不足并触发拒答，文档剪枝可加快解码。

要点速读

1. BERAG 以单个检索文档为条件，用文档后验概率作集成权重并逐 token 按贝叶斯规则更新
2. 作者报告在 Document VQA 和多模态 needle-in-a-haystack 基准上较标准 RAG 有明显提升
3. 文档后验可用于检测依据不足并触发拒答，文档剪枝可加快解码

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。