MPR-CiteG：以多组合检索与引用溯源生成增强RAG

本文提出MPR-CiteG框架，通过解决生成式AI的两个根本挑战——检索低效与缺乏来源验证——在ScienceON AI Challenge中获得第二名。我们提出名为MPR-CiteG的双组件系统：多组合检索器（MPR）高效检索多样且相关的信息，而引用溯源生成（CiteG）模块确保每条生成输出在事实上保持一致并明确归因于其来源。MPR-CiteG代表着向构建更可信、更准确的LLM迈出的重要一步：这类模型不仅能生成信息，还能将回答锚定于可靠证据，从而缓解模型幻觉等常见问题。在挑战赛数据集上的大量实验验证了本方法的有效性与可靠性。代码发布于 https://github.com/2noweyh/MPR-citeG。