Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2510.02657

帮助 | 高级搜索

计算机科学 > 信息检索

arXiv:2510.02657 (cs)
[提交于 2025年10月3日 (v1) ,最后修订 2025年10月6日 (此版本, v2)]

标题: 更少的LLM,更多的文档:寻找改进的RAG

标题: Less LLM, More Documents: Searching for Improved RAG

Authors:Jingjie Ning, Yibo Kong, Yunfan Long, Jamie Callan
摘要: 检索增强生成(RAG)将文档检索与大型语言模型(LLMs)结合在一起。 虽然扩大生成器可以提高准确性,但也增加了成本并限制了可部署性。 我们探索了一个正交维度:扩大检索器的语料库以减少对大型LLM的依赖。 实验结果表明,语料库扩展可以持续增强RAG,并且通常可以作为增加模型规模的替代方案,尽管在更大规模时收益会递减。 小型和中型生成器与更大的语料库经常能够匹敌具有较小语料库的大型模型;中型模型往往获得最大的收益,而小型和大型模型受益较少。 我们的分析表明,改进主要来自于答案段落覆盖范围的增加,而利用效率基本保持不变。 这些发现确立了一个有原则的语料库-生成器权衡:投资更大的语料库为更强的RAG提供了一条有效的路径,通常与扩大LLM本身相当。
摘要: Retrieval-Augmented Generation (RAG) couples document retrieval with large language models (LLMs). While scaling generators improves accuracy, it also raises cost and limits deployability. We explore an orthogonal axis: enlarging the retriever's corpus to reduce reliance on large LLMs. Experimental results show that corpus scaling consistently strengthens RAG and can often serve as a substitute for increasing model size, though with diminishing returns at larger scales. Small- and mid-sized generators paired with larger corpora often rival much larger models with smaller corpora; mid-sized models tend to gain the most, while tiny and large models benefit less. Our analysis shows that improvements arise primarily from increased coverage of answer-bearing passages, while utilization efficiency remains largely unchanged. These findings establish a principled corpus-generator trade-off: investing in larger corpora offers an effective path to stronger RAG, often comparable to enlarging the LLM itself.
主题: 信息检索 (cs.IR) ; 计算与语言 (cs.CL)
ACM 类: H.3.3; I.2.7
引用方式: arXiv:2510.02657 [cs.IR]
  (或者 arXiv:2510.02657v2 [cs.IR] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.02657
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jingjie Ning [查看电子邮件]
[v1] 星期五, 2025 年 10 月 3 日 01:26:13 UTC (1,817 KB)
[v2] 星期一, 2025 年 10 月 6 日 02:54:21 UTC (1,817 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
查看许可
当前浏览上下文:
cs.IR
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号