DeFT-RAG：将多跳问题拆解为可复用答案的独立子问题
检索增强生成（RAG）难以处理需要串联多份文档信息的多跳问题。DeFT-RAG逐步将问题拆分为独立子问题，用表格记录已知问答，并借助轻量级决策模型。对于含义相同的子问题，系统可以复用缓存答案。研究称，在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 上，DeFT-RAG搭配 gpt-4o-mini 和 Qwen3.6 的准确率均优于13种基线方法，且输入 token 数少于其他迭代式 RAG 方法。在覆盖1,000道 MuSiQue 题目的共享缓存中，23.1%的子问题由缓存回答；在准确率不下降的情况下，LLM调用次数减少了12.9%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。