D$^2$F-ReAG：多跳推理增强生成的动态分解和过滤

大语言模型 (LLM) 由于依赖静态内部知识，经常生成不准确的答案。检索增强生成 (RAG) 通过集成外部知识并擅长单跳查询来解决此限制。然而，它很难解决需要跨文档推理的多跳问题。现有的方法，例如图结构的RAG或问题分解，往往缺乏动态分解和有效的过滤，导致效率和准确性较低。为了克服这些限制，我们提出了多跳推理增强生成的动态分解和过滤（D2F-ReAG），这是一种通过判断根级推理的可靠性来自适应控制推理深度的新范式。如果根本推理可靠，模型会直接生成答案。否则，问题在逻辑上被分解为子问题，并且从这些子问题导出的经过验证的推理被用来细化根本推理。三个多跳基准的实验证明了我们的方法在处理复杂多跳问题方面的有效性。