CANOPY：多模态 RAG 的自适应粒度证据压缩

多模态 RAG 检索文本、表格、图像和视频，但选择检索粒度并不能确定每个项目中保留多少上下文。粗略的单元包括不相关的内容，而统一的精细选择可以消除解释证据所需的上下文。现有的压缩器通过特定于模态的机制解决了这种权衡问题，留下了一个共享程序，用于跨异构项目逐个区域地调整保留的范围。我们介绍 CANOPY（层次结构规范投影），这是一个自适应粒度检索后证据压缩的框架。 CANOPY 将检索到的项目表示为层次结构，并使用根据黄金证据进行微调的节点编码器来根据查询对区域进行评分。父相关细化比较这些分数以选择不同粒度的多个区域，而无需 LLM 调用节点级修剪。由于压缩无法恢复从未检索到的证据，批评者在判断积累的证据不足时要求有针对性的后续检索；新检索的项目在添加之前会被压缩。在 3300 万项异构语料库的五个 QA 基准测试中，CANOPY 实现了比评估的检索基线更高的平均答案准确性。消融表明，额外的检索推动了多跳 QA 的主要准确性提升。在未路由的 Qwen3-VL-8B-Instruct 设置中，相对于未压缩的相同迭代管道，压缩将读取器输入的证据词元减少了 14.2-27.7%，且答案精度相当。