RAGの弱点は、実はジェネレーターではなくリトリーバー。インデックスなしで文書を「辿って」探す方法を提案する論文です。
タイトル: Retriever-Free Retrieval: Navigating Documents with Decision Models
URL:
コーパスを木構造にし、決定モデル(Jev)が候補を一括判定しながら上位の枝だけを展開していく「DecisionRAG」。タスク固有の学習も第1段のリトリーバーも不要です。
注目ポイントは3つです。
🧭 共通文脈で比べるから、スコアが揃う
全候補を同じ文脈でまとめて判定するため、明らかに良い候補があると、もっともらしい候補のスコアは下がります。MultiDoc2Dialでは、ページごとの採点より、まとめて採点するほうがR
@1が36.7%から44.4%に上がりました。
🌲 対数で広がるナビゲーション
分岐100なら10⁹パッセージでも約5ステージ、約1秒で到達する計算です。Natural Questionsでは、クラスタの約15%を残すだけで全ページ採点と同等のR
@10を、コスト約1/5で保ちました。
⚡ GPT-5リランクと同等以上で、速くて安い
Natural QuestionsのHit
@1は65.4で、GPT-5リランクの60.8を上回りました。レイテンシは0.68〜1.76秒で、GPT-5リランクの11.8〜15.0秒より短いです。ただし刈り込みは不可逆で、階層の質に依存します。
検索を「並べ替え」ではなく「探索」として捉え直した点が新鮮です。
#
RAG# #
情報検索#