论文
预算约束下RAG事实错误的诊断与修复
Diagnosing and Repairing Factual Errors in RAG under Budget Constraints
摘要
检索增强生成（RAG）通过把响应锚定到外部证据改进大语言模型的事实性——但真实部署仍然脆弱。失败常源于缺失或弱相关的证据——以及生成未忠实反映检索上下文。许多既有方法依赖微调、对内部模型信号的特权访问或资源不敏感的升级策略——限制其在黑盒与预算受限设定下的实用性。我们提出D2R-RAG（诊断到修复RAG）——模型无关、资源感知框架——组合轻量失败诊断与自适应修复。D2R-RAG从查询、检索证据与生成响应中的可观察信号导出可解释失败签名——然后在显式延迟与VRAM约束下从一小组纠正动作中选择。FEVER与HotpotQA上的实验表明D2R-RAG较近期基线改进可靠性——并在多个算力预算下取得更优准确率-效率权衡。代码见 https://github.com/CyberScienceLab/D2R-RAG/。
