CORAL：文化一致的多语言 RAG 的自适应检索循环

多语言检索增强生成（mRAG）通常在固定的检索空间内实现，通常通过查询或文档翻译或多语言嵌入向量表示来实现。然而，这种方法可能不足以满足基于文化的查询，在这种查询中可能会出现检索条件不一致的情况。当从不适当的语言或区域背景中获取证据时，即使是强大的 检索器 和生成器也可能难以生成文化相关的答案。为此，我们引入了 CORAL（COntext-aware Retrieval with Agentic Loop，一种 mRAG 的自适应检索方法，能够根据证据的质量迭代细化检索空间（语料库）和检索探针（查询）。整个过程包括：（1）选择语料库，（2）检索文档，（3）批评证据的相关性和文化一致性，以及（4）检查充分性。如果检索到的文档是由于不足以正确回答查询，系统 (5) 重新选择语料库并重写查询。在两个文化 QA 基准中，相对于最强基线，CORAL 在低资源语言上的准确率提高了 3.58%p。