所有语言都很重要：理解和减轻多语言 RAG 中的语言偏见

多语言检索增强生成 (mRAG) 利用跨语言证据将 大语言模型 (LLM) 融入全球知识中。然而，我们表明当前的 mRAG 系统在重新排名期间存在语言偏差，系统地偏向英语和查询的母语。通过引入估计的预言证据分析，我们量化了现有重新排序器与可实现的上限之间的巨大性能差距。进一步的分析揭示了一个关键的分布不匹配：虽然最佳预测需要分散在多种语言中的证据，但当前的系统系统地抑制了此类“关键答案”文档，从而限制了下游生成性能。为了弥补这一差距，我们提出 \textit{\textbf{L}anguage-\textbf{A}gnostic \textbf{U}tility-driven \textbf{R}eranker \textbf{A}lignment (LAURA)}，它将多语言证据排名与下游生成效用保持一致。跨不同语言和生成模型的实验表明，LAURA 有效减轻语言偏差并持续提高 mRAG 性能。