DeFT-RAG：多跳问题增量分解为自包含子问题

2026年10月30日，arXiv Artificial Intelligence 刊出 Dingyi Kang、Bingzhe Li 提出的 DeFT-RAG 检索增强生成框架。该框架将多跳问题增量分解：每次只生成一个自包含子问题，用规则更新 QA 表，并由微调轻量决策模型做判断，以减少 LLM 承担的任务。报道称，在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 上，以 gpt-4o-mini 和 Qwen3.6 为骨干时，DeFT-RAG 在十三个基线中准确率最高，且输入 token 少于其他迭代方法。报道还称，在 1000 道 MuSiQue 问题共享 QA 缓存的设置下，23.1% 的子问题由缓存作答，LLM 调用减少 12.9% 且准确率不降。上述结果均为该报道所述，尚待独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。