DRAG团队 发自 凹非寺 量子位 | 公众号 QbitAI RAG准确率提升10.6% ，多项基准拿下新SOTA！ ACL 2025最新研究提出 Lexical Dive rsity-a ware RAG (DRAG) 框架，首次系统性地 将词汇多样性引入RAG的检索与生成过程 ，提供 了一个轻量、通用且易扩展的解决方案。 在多项基准任务中，该方法带来了显著性能提升，尤其在HotpotQA上刷新了当前最优结果。 在大语言模型的浪潮下，Retrieval-Augmented Generation （ RAG ） 已经成为提升模型事实性和时效性的重要手段。然而，现有方法普 遍忽视了一个看似细微却极为关键的问题——词汇多样性 （lexical diversity） 。 同一个问题，不同的表达方式，往往让检索模型"晕头转向"，最终导致错误答案。 由此，来自北航、北大、中关村实验室的研究团队提出了这项最新工作，他们首次将"词汇多样性"引入检索增强生成的相关性评估过程，并通 过新颖的风险稀疏校准机制解决了生成阶段被无关信息干扰的问题。 团队认为，该方法对信息检索、问答系统、专业领域大模型应用都具有重要价值。未来，他们计 ...