重新思考长视频中的RAG：检索什么以及如何使用？

检索增强生成正在从文本转向以自我为中心的长视频，其中系统必须跨多种模式和时间粒度选择与查询相关的块。然而，VideoRAG 的进展受到两个差距的限制：现有的基准测试允许在没有视频的情况下回答查询，掩盖检索错误，并且先前的方法对每个查询应用单一模态粒度配置，忽略块级可变性。我们通过引入 V-RAGBench 来解决这两个问题，V-RAGBench 是 $\langle$query、证据块、answer$\rangle$ 三元组的基准，可以对检索和生成进行忠实、解耦的评估，而 CARVE 是一种跨配置运行并行检索器的简单方法，并采用块自适应重新排名来识别每个块的获胜配置。然后，每个块在检索期间选择的获胜配置下进入生成器，产生交错的证据形式，其中块级决策在两个阶段中传播。 CARVE 的性能优于最近的八个 VideoRAG 基线，提供给生成器的块交错多个配置而不是共享单个配置，这是查询级方法无法实现的行为。