将文档与问题对齐：面向问题的文档重写以实现检索增强生成

检索增强生成 (RAG) 通过合并检索到的文档和/或生成的上下文来增强 大语言模型 (LLM) 的真实性。然而，LLM 在呈现混合上下文时经常表现出文体偏见，偏爱流畅但幻觉的生成内容，而不是基于事实但杂乱无章的检索证据。这种现象表明，检索到的信息的效用因其呈现方式而受到瓶颈。为了弥补这一差距，我们提出了 QREAM，这是一种风格控制的重写器，可以将检索到的文档与面向问题的风格对齐，同时保留事实，更好地供 LLM 读者使用。我们的框架由两个阶段组成：（1）QREAM-ICL，它使用风格种子来指导迭代重写探索； (2) QREAM-FT，一种从去噪 ICL 输出中提取的轻量级学生模型。 QREAM-FT采用双标准拒绝抽样，根据答案正确性和事实一致性进行过滤，以确保高质量的监督。 QREAM 作为即插即用模块无缝集成到现有 RAG 管道中。实验表明，QREAM 持续增强了先进的 RAG 管道，在延迟开销可忽略不计的情况下实现了高达 8% 的相对改进，有效平衡了问题相关性与事实基础。