Hi-Q：分层证据引导的多跳问答查询细化

多跳问答（QA）的一个中心瓶颈是表达问题的粒度通常与可检索语料库证据的粒度不同。现有的方法通过在语料库上强加固定的图结构、通过迭代地重新制定查询或通过执行生成的程序来解决这种不匹配问题，但这些策略并没有明确决定查询单元何时已得到证据支持以及何时应进行改进。我们将此瓶颈表述为可检索粒度发现，并引入 Hi-Q，这是一种用于分层查询细化的证据条件框架。在每个查询节点，解析算子测试检索到的证据是否支持当前查询单元；已解析的节点终止，而未解析的节点则由保留依赖性的二元运算符扩展并由语义覆盖验证器检查。因此，Hi-Q 生成一棵查询树，其拓扑由语料库支持信号确定，而不是由固定的分解模板或预构建的图确定。我们在三个多跳 QA 基准上评估 Hi-Q，主要是在全语料库检索下，其中依赖证据必须位于开放域干扰项中，而不是位于小型注释池中。在此设置中，Hi-Q 在三个基准上平均达到 52.3 EM 和 64.0 F1，在同一平均值上领先迭代检索基线 IRCoT 15.1 EM / 18.2 F1，并且在 MuSiQue-full 上领先基于图的 RAG 基线 PropRAG 11.5 EM / 12.0 F1，无需语料库范围的图构建。在先前工作使用的受限支撑/干扰器设置中，Hi-Q 同样获得了最佳精度，平均为 57.9 EM 和 69.3 F1，领先 PropRAG 5.6 EM / 3.9 F1 和 IRCoT 13.7 EM / 15.8 F1。项目页面位于 https://hi-q-project.github.io/。