STEC：面向开放域多跳问答深度搜索的证据压缩

在开放域多跳问答（QA）中，基于LLM的搜索智能体通过结合检索与推理，为知识密集型QA提供有前景的路径。既有方法主要通过推理范式、检索交互与搜索策略优化改进开放域多跳QA。但使用多条搜索轨迹引入一个棘手的最终答案选择问题：不同轨迹可能支持不同候选，检索到的信息可能异质、冗余、不完整或冲突。直接比较原始轨迹使验证器暴露于噪声与未对齐内容；比较答案字符串则忽略支撑每个候选的证据，使可靠的最终选择困难。为应对该挑战，我们提出STEC：一个用于多跳QA最终答案选择的证据压缩框架。STEC经两个机制从既有候选集中选择最终答案：(1) 答案级证据压缩——按规范化答案同一性分组轨迹，把每个答案组转为候选专属的证据表示；(2) 证据引导的答案核验——比较这些表示并从候选集中选择最终答案。该设计把最终选择从原始轨迹比较转移到候选级证据比较。我们在四个开放域多跳QA基准上对比代表性基线评估STEC：实验显示STEC在受比方法中总体最佳，消融结果为“答案级证据压缩促成最终答案选择”提供证据。