A PAR²-RAG 23,5 százalékkal pontosabban válaszol a kérdésekre
A PAR²-RAG modell a négy tesztben is folyamatosan felülmúlta a korábbi legjobb eredményeket.
A PAR$^2$-RAG modell, amelyet Xingyu Li és csapata dolgozott ki, az arXiv 2603.29085 cikkben mutatott be. A keretrendszer két szakaszból áll: először szélességi kereséssel hozza létre a magas lefedettségű bizonyítékfront, majd mélységi finomhangolással, iteratív ciklusban, ellenőrzi a bizonyíték elegendőségét.
Miért fontos? A multi-hop kérdés-válasz (MHQA) feladatoknál a modellnek több dokumentumot kell egyesítenie, ami korábban a LLM-ekben torzulást okozott. A PAR$^2$-RAG megoldásával a rendszer nem ragad le korai, alacsony lefedettségű lekérdezésekben, és képes alkalmazkodni a köztes bizonyítékok változásához.
A kutatók szerint a PAR$^2$-RAG 23,5 %-kal jobb pontosságot ér el, mint a legjobb állásfoglaló IRCoT, négy MHQA teljesítményteszten. A két szakaszú folyamat lehetővé teszi a szerkesztett bizonyítékszálak létrehozását, melyekre a generálási modul épít, így a végső válaszok bizonyítékra alapozottak.
Versenytársak szempontjából ez új szintre emeli a RAG‑alapú megoldásokat. A szélességi anchoring kombinálva a mélységi finomhangolással a modell lényegesen csökkenti a hibák terjedését, ami a piaci megoldásokban is előnyt jelenthet.
Mi következik? A következő lépés a valós idejű alkalmazásokban való tesztelés, ahol a PAR$^2$-RAG integrálható valós idejű keresőmotorokkal, és a teljesítményét a valós felhasználói interakciók során mérik.