🔥 今日值得一读
轻量筛子先过滤分心噪声，准确率飙升69.4个百分点，还提速近2倍！
Sieve and Sage: Efficient Distraction Filtering for Reliable RALM Abstention
👨💼 主理人解读 · 为什么值得关注
构建RAG应用时，用它区分证据缺失与干扰，减少幻觉并让模型更可靠地拒答。
📖 AI 总结
该论文针对检索增强语言模型（RALM）在检索证据不足时难以可靠拒答的问题，提出将检索失败拆分为两种状态：所需证据缺失的"不可答"状态，以及相关证据与冲突、否定或对抗性信息混杂的"受干扰"状态。基于这一区分，作者设计了Sieve and Sage框架，先由轻量模块Sieve筛查检索文档中的干扰性证据，再调用高成本的大模型Sage进行有依据的生成与拒答。在通用领域和高风险专业领域的评测中，该框架相比单阶段基线最高提升准确率69.4个百分点、Macro-F1提升55.2个百分点，同时实现最高1.99倍的加速。该工作为RALM提供了兼顾效率与可靠性的拒答流程，论文已被EMNLP 2026 Findings接收。
🔑 关键词速览
| Retrieval-Augmented Language Models (RALMs) | 检索增强语言模型，在生成回答前先检索外部文档以补充知识，但可能因检索失败而给出不可靠回答。 |
| Abstention | 弃答，指模型在证据不足或不可靠时主动拒绝回答，而非强行生成可能错误的答案。 |
| Unanswerable State | 不可回答状态，指检索结果中完全缺失回答所需的关键证据。 |
| Distracted State | 分心状态，指检索结果中相关证据与冲突、否定或对抗性信息混杂，干扰模型判断。 |
| Sieve and Sage | 本文提出的两阶段框架：轻量级Sieve模块先过滤分心证据，再由昂贵的大模型Sage进行生成与弃答。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅