ArbGraph：冲突感知证据仲裁，用于可靠的长格式检索增强生成

检索增强生成 (RAG) 在长格式环境中仍然不可靠，检索到的证据存在噪音或矛盾，使得 RAG 管道难以保持事实一致性。现有的方法侧重于生成期间的检索扩展或验证，使冲突解决与生成纠缠在一起。为了解决这一限制，我们提出了 ArbGraph，这是一种用于长格式 RAG 中的预生成证据仲裁的框架，可明确解决事实冲突。 ArbGraph 将检索到的文档分解为原子声明，并将它们组织成具有明确支持和矛盾关系的冲突感知证据图。在此图之上，我们引入了一种强度驱动的迭代仲裁机制，该机制通过证据交互传播可信度信号，使系统能够在最终生成之前抑制不可靠和不一致的声明。通过这种方式，ArbGraph 将证据验证与文本生成分开，并为下游长格式生成提供连贯的证据基础。我们使用多个 大语言模型 主干在两个广泛使用的长格式 RAG 基准 LongFact 和 RAGChecker 上评估 ArbGraph。实验结果表明，ArbGraph 持续提高事实回忆和信息密度，同时减少幻觉和对检索噪声的敏感性。其他分析表明，这些收益在相互冲突或模糊的证据下是显而易见的，凸显了证据级冲突解决对于提高长式 RAG 可靠性的有效性。该实现可在 https://github.com/1212Judy/ArbGraph 上公开获取。