TimelyRAG：重叠演化文档中时间关键型问答的语义-时间混合检索

尽管 大语言模型 (LLM) 和检索增强生成 (RAG) 具有先进的开放域问答 (QA)，但当文档通过修改而演变时，它们仍然不可靠。现有的时间敏感检索方法仅解决不相交演进的环境，其中每个更新都是独立的快照。然而，法律、政策和法规通常在重叠演变的环境中运作，其中修正案覆盖早期条款，同时保留大部分内容，从而在版本之间产生强烈的语义重叠。我们提出了 TimelyRAG，一个与 检索器 无关的框架，它将时间距离纳入排名，以使查询与版本适当的文档保持一致。我们还推出了 TimelyQABench，这是针对具有重叠演变挑战的监管繁重领域的第一个基准。实验显示了一致的增益，在 nDCG@10 中高达 +28.6%，突显了时间推理对于可靠 QA 相对于不断发展的文档的重要性。所有资源均可在 https://github.com/kaist-dmlab/TimelyRAG 上获取。