超越重排序器：一旦存在强大的重排序器，RAG 检索增强功能是否有帮助？

检索增强生成（RAG）通常通过旨在改进检索的方法进行扩展：查询扩展、分层和跨文档摘要、基于图的扩展、每个查询路由、排名融合和纠正性重新检索。报告的这些方法的好处几乎完全来自同质语料库，主要是维基百科散文。他们是否保留了实践中常见的混合格式集合（其中代码、Markdown、表格、科学 PDF 和散文交织在一个语料库中）尚未得到衡量。为了直接研究这一点，我们构建了 \textbf{HetDocQA}，这是一个具有 \emph{chunker-agnostic} 跨度重叠相关标签和集合不相交分割的异构基准，并将其与 MuSiQue 和 QASPER 配对作为同质对照。我们在共享主干上评估八种方法，具有引导置信区间和多重比较校正。强大的跨编码器重排序器决定了管道的大部分质量；除此之外，只有两种方法可以产生可靠的收益：查询扩展和 SSCC。 SSCC 是此处介绍的按源校准校正器，它为每个分数源设置单独的接受阈值，并且仅对异构数据有帮助。其余常用的重排序和池扩展方法，其中包括分层汇总、图扩展、路由和排序融合，一旦存在重排序器，就不会提供可靠的增益。