LLMO・GEO の研究論文と民間調査/RAG・根拠提示
研究論文
CURATOR:決定モデルで、RAGの証拠を細かく選ぶ
原題:CURATOR: Scalable Fine-grained Evidence Selection for Retrieval-Augmented Generation using Decision Models
著者は Shib Dasgupta, Bandish Parikh, Rashmi Gangadharaiah。に arXiv へ投稿されました。日本語の題名は、ガーオンによる仮の訳です。
論文の原文を arXiv で読む(arXiv:2611.16366)論文が報告した結果
RAGは検索で得た段落をそのまま渡しがちだが、質問に効くのはその中の短い箇所だけであることが多い、として、細かい証拠選択の手法 CURATOR を提案している。
見えないデータセットや領域でも使え、最強の既存手法と比べて、下流のRAG回答品質が平均17.4%上がった、と報告している。
調査の条件
- 論文が調べたこと
- RAG向けに、細かい根拠選択をスケールさせる(CURATOR)
- 調べた対象の AI
- 公開モデル、研究用の独自システム
- 調べたモデル
- pplx-decider-flash-v1.2(Qwen3.5-4B を基にする。下流生成モデルの包括的な一覧は要旨にはない)
- 回答データの取り方
- RAGの証拠選択に関するオフライン評価(本文)
- 調査の規模
- 複数データセットでの平均として、最強ベースライン比で回答品質+17.4%(要旨)。個別データセットの件数は本文
- 数字が載っている場所
- 要旨(回答品質が平均17.4%向上)。モデルは本文
結果を読むときの注意
v2(2026-11-14)は所属表記の訂正で、科学的内容は変わっていない、とコメントにある。事前学習した決定モデルの一例は Qwen3.5-4B を基にした pplx-decider-flash-v1.2(本文)。本番の回答エンジンそのものの計測ではない。
上の要約は、株式会社ガーオンが生成AIを使って作成しました。最終更新は2026年11月19日です。正確な内容は、論文の原文で確認してください。