MAPS: Macro-Adaptive Parallel Reasoning for Regulating Search Momentum in Retrieval-Augmented Generation
Pubblicata su AIChronos il · fonte del · Xinze Li, Dingwen Zhang, Zhenghao Liu, Yukun Yan, Shuo Wang, Yu Gu
Il framework MAPS introduce il concetto di 'search momentum' per caratterizzare l'evoluzione dell'intent delle query durante i processi di ragionamento in Retrieval-Augmented Generation (RAG). Per mitigare la deriva dell'intent e le sub-queries ridondanti, MAPS estende il processo sequenziale tradizionale a un paradigma di ragionamento parallelo. Questo approccio conserva lo stato del ragionamento raffinato per ridurre l'influenza delle traiettorie storiche, identificando direzioni complementari per la retrieval in ogni iterazione.
- MAPS regola il 'search momentum' accumulato dai cambiamenti storici nelle sub-queries generate lungo una traiettoria di ragionamento.
- Il framework trasforma il processo sequenziale standard in un paradigma parallelo che genera query complementari simultaneamente.
- Conserva la conoscenza recuperata e lo stato del ragionamento per attenuare l'impatto delle traiettorie passate sulle nuove generazioni di sub-queries.
- Gli esperimenti su sei benchmark dimostrano una performance superiore rispetto ai metodi RAG rappresentativi su diversi backbone models.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti, MAPS offre un meccanismo per controllare la deriva dell'intent nelle applicazioni basate sul recupero di conoscenza, migliorando l'efficienza del parallelismo senza sacrificare la precisione.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.