arXiv · cs.AI · Dingyi Kang, Bingzhe Li2026-11-02 13:00 · 10 小时前模型评分41

DeFT-检索增强生成（RAG，Retrieval-Augmented Generation）：将多跳问题拆成自包含子问题并复用答案

DeFT-RAG: Decomposing Multi-Hop Questions into Self-Contained Sub-Questions with Reusable Answers

导读

DeFT-RAG 提出一种检索增强生成（RAG，Retrieval-Augmented Generation）框架，每次只根据原问题和已答问答对生成一个自包含子问题，把依赖跟踪、问答表更新和是否继续的判断交给规则与微调的小型决策模型。

分类置信度

中 · 待人工复核

来源级别：媒体与个人

事件类型：研究发布

证据摘录

“We propose DeFT-RAG, a RAG framework built on three components.”
“With a QA cache shared across 1,000 MuSiQue questions, 23.1% of sub-questions are answered from the cache, which reduces LLM calls by 12.9% without lowering accuracy.”

来源：arXiv · cs.AI · arxiv.org