ConRAG：共识驱动的多视图检索，用于多跳问答

检索增强生成 (RAG) 已成为增强多跳问答 (QA) 上的 大语言模型 (LLM) 的有前途的范例，这需要对来自多个文档的证据进行推理。当前的多跳 RAG 方法通常侧重于查询端任务分解或语料库端知识图构建。尽管取得了进步，这些方法仍然难以在复杂的多跳 QA 任务上取得令人满意的性能。为此，我们提出了 ConRAG，这是一种共识驱动的多视图 RAG 框架，可有效增强复杂多跳 QA 上的 LLM。 ConRAG 的核心是系统地优化查询和语料库双方，并利用多视图证据（关系、实体和文本信号）进行更准确的检索。对三个多跳 QA 基准的大量实验表明，ConRAG 始终明显优于所有基准，例如，与普通 RAG 相比，平均性能提升高达 +26.9%，并使 Gemma-4-31B 在具有挑战性的 MuSiQue 基准上取得了新的最先进记录。