#Evidence Selection

4 篇

Learning Marginal Viewpoint Utility for Budgeted Evidence Selection in RAG

RAG预算证据选择的边际视角效用学习

🧭 RAG 预算证据选择 · 边际视角覆盖

Nanyang Technological University · University of Toronto

提出LMVU轻量排序器，按边际视角覆盖增量选择证据，在有限上下文下提升多视角覆盖

📌 工作参考价值（4 点）

在电商 RAG 场景（商品问答、评论摘要、多卖点对比）中，上下文预算有限，可借鉴边际视角覆盖思想：优先选择能补充当前已选集合缺失观点的候选，而非单纯按相关性得分截断。
训练数据构造：利用已有的观点/标签标注（如评论情感、产品属性、类目标签）作为伪视角，构造同一选择状态下的候选配对，让 ranker 学习增量覆盖价值；推理时迭代选择，类似贪心式集束搜索，开销低。
评估指标：用 RVC1/RVC2 度量检索结果的视角覆盖度，可作为多样性/覆盖度补充指标，尤其当业务目标要求搜索结果覆盖不同用户意图或品类时。
轻量 ranker 设计可作为在线精排后的二次重排组件，输入包括已选证据集合与候选的交互特征，输出边际增益，适合低延迟的实时检索链路。

RAG | 2026-10-21 | cs.IR | score 7/10

基于证据选择的 LLM 查询扩展：多改写器互补文档池与相关性筛选

🧭 LLM 查询扩展 · 证据选择 ★ 深度解读

Toronto Metropolitan University · University of Waterloo · University of Toronto

EviQE 将 LLM 查询扩展重构为文档证据选择问题，聚合多改写器检索结果并筛选后单轮生成，显著提升 TREC DL 与 BEIR 检索效果

📌 工作参考价值（4 点）

在电商搜索的 query 改写/扩展场景中，不要只依赖单一改写器或单一检索结果作为生成上下文。用多个改写器（如原始 query、LLM 直改、伪相关反馈、HyDE 等）并行召回文档，合并去重后作为候选池，再让 LLM judge 按与原始 query 的相关性打分选 top-B 篇作为生成 evidence，能显著提升改写 query 的召回质量。
证据选择比多轮迭代更划算：EviQE 一轮证据选择即可超过多轮 ThinkQE，且增加迭代会引入噪声。实际线上系统可把计算预算从多轮 RAG 改成“并行多路召回 + 一次性精筛 + 单轮生成”，降低延迟和成本。
用 LLM 做 relevance judge 时，建议采用 graded relevance（0-3）并固定 judge 模型，不要用简单的 agreement 或 RRF。论文中 LLM-Score 明显优于 frequency/RRF，且跨 generator 骨干稳定；在商品搜索中可复用类似打分来挑选高质量商品详情段落或用户评论作为改写证据。
候选池大小不必盲目扩大：4 个改写源（原始+CSQE+LameR+MuGI）已恢复大部分收益，增加到 11 个提升很小。实际部署可从少量高质量改写器开始。

QueryRec | 2026-09-14 | cs.IR | score 9/10

自引导测试时训练：提升长上下文LLM推理的简单方法

🧭 长文本测试时自适应训练

Meta AI · University of Virginia

模型自适应前先自选相关证据片段，只在选中的片段上做测试时训练，长上下文推理最高提升15%

📌 工作参考价值（4 点）

在长上下文任务（如长用户行为序列建模、长文档问答）中，可借鉴自引导TTT：对每条测试样本，先用模型识别出与当前query/任务最相关的证据片段，仅在这些片段上进行语言模型微调，以低计算成本实现实例自适应。
工程上，S-TTT的稀疏训练只更新少量token，适合在线延迟敏感场景，例如搜索query改写、个性化推荐理由生成时的实时自适应。
借鉴“自选择证据”思想，在构建Agent的记忆或RAG模块时，可设计一个轻量级证据选择器，从长上下文历史中检索关键信息，再对此进行微调或提示增强，有效过滤噪声。
该方法无需额外标注，利用模型自身输出作为监督信号，可在电商评论聚合、广告文案生成等长文本应用中以无监督方式提升证据利用率。

LLM | 2026-07-09 | HF Daily | score 7/10

面向多模态检索增强生成的效用导向视觉证据选择

🧭 Multimodal ★ 深度解读

Arizona State University · Texas A&M University · Morgan Stanley

通过信息增益与潜在有用性变量重新定义证据选择，并用轻量替身模型高效估计效用，无需训练即可超越基线

Multimodal | 2026-05-13 | cs.IR | score 8/10