IterCOMP：用于多跳问答的推理感知自适应提示压缩

多跳问答需要跨多个证据段进行复杂的推理，这通常会淹没具有冗长且嘈杂的上下文的检索增强生成系统，从而损害效率和准确性。虽然现有的提示压缩方法试图解决这个问题，但它们通常是为单轮查询而设计的，无法捕获相互依赖的推理步骤。我们提出 IterCOMP，一个统一的 无需训练 提示压缩框架，它将多跳推理合并到迭代压缩循环中。 IterCOMP将文档分解为证据片段，评估问题的可回答性，并生成有针对性的后续问题，以迭代整合必要的证据，产生紧凑的、面向推理的提示。在 MusiQue、2WikiMultiHopQA 和 HotpotQA 上的实验表明，IterCOMP 在精确匹配和 F1 分数方面取得了实质性改进，同时降低了 词元预算，优于现有基线，并随着推理复杂性的增加而表现出鲁棒性。