כתבה
arXiv cs.CL ·
ניווט בעץ ללא תקצירי LLM: מחקר מאוזן של גישה היררכית ל-QA של דוקומנטים ארוכים
Tree Navigation Without LLM Summaries: A Matched-Cost Study of Hierarchical Retrieval for Long-Document QA
מחקר חשף שגישה היררכית יכולה להיות יעילה יותר מגישה פלט ב-QA של דוקומנטים ארוכים, ללא תלות בתקצירי LLM. NavTree, גישה היררכית חדשה, נבחרה כגישה הטובה ביותר במחקר זה. NavTree מבנה עץ היררכי על פי חתכים של דוקומנטים, ואז משתמשת בעץ זה כגשר ניווט. NavTree נבחרה כגישה הטובה ביותר במחקר זה, והיא הגישה היחידה שהצליחה להציג תוצאות טובות יותר מ-BM25 ב-QA של דוקומנטים ארוכים.
תקציר מקורי באנגליתarXiv:2610.06902v1 Announce Type: new Abstract: Retrieval-augmented generation grounds language models in external context, but for long documents flat top-$k$ retrieval can cluster on a single region and miss complementary evidence. RAPTOR-style summary trees address this by recursively clustering chunks and using a language model to summarize each cluster at indexing time, then ranking summary nodes alongside raw chunks at query time. We show the main benefit of summary trees in long-document QA can come from navigation rather than the generated summary content. We introduce NavTree, a leaves-only retriever that builds a deterministic balanced segment tree over chunks (zero language-model calls at indexing) and uses the tree purely as a navigation scaffold: a hybrid lexical-and-dense fro
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית