从 BM25 到 Corrective RAG：文本和表格文档的基准检索策略

检索增强生成（RAG）系统严重依赖于检索质量，但对于包含文本和表格数据的异构文档，目前还没有对现代检索方法进行系统比较。我们在具有挑战性的金融 QA 基准上对 10 种检索策略进行了基准测试，涵盖稀疏、密集、混合融合、跨编码器重新排名、查询扩展、索引增强和自适应检索，该基准对 7,318 个具有混合文本和表格内容的文档进行了 23,088 个查询。我们通过 Recall@k、MRR 和 nDCG 评估检索质量，并通过 Number Match 和配对引导显着性测试评估端到端生成质量。我们的结果表明：（1）混合检索与神经重排序相结合的两阶段流程实现了 0.816 的 Recall@5 和 0.605 的 MRR@3，大幅优于所有单阶段方法； (2) BM25 在金融文档上的性能优于最先进的密集检索，挑战了语义搜索普遍占主导地位的普遍假设； (3) 查询扩展方法（HyDE，多查询）和自适应检索为精确数值查询提供有限的好处，而上下文检索则产生一致的收益。我们提供有关融合方法和重新排序深度的消融研究、可行的成本准确性建议，并发布完整的基准代码。