今天介绍的文章是高丽大学联合汉阳大学、现代汽车提出APT-RAG让推理树在递归遍历中边走边长证据沿树拓扑流动–该分解就分解、能复用兄弟答案就不检索、子节点答案顺着树往上供。MoNaCo基准上F1超最强基线8%检索召回50.79对39.28。落脚点在哪证据密集型QA正在成为RAG新战场HotpotQA平均只需2.0页证据MoNaCo一道题平均要43.3页QAMPARI要13.0页。现有结构化RAG图式Plan*RAG/LogicRAG、树式ToQ在这波证据洪流前暴露两大缺陷结构僵化Plan*RAG预先构造固定推理计划。问墨西哥多少场战争参战人数在10-50万之间固定计划迫使单节点一口气合成19篇文档关于13场战争还按伤亡人数而非参战人数过滤答错拓扑无关证据收集ToQ建了推理树却只在根节点收证据。子问题q2每场战争的参战人数的答案明明就在子问题q2,4的答案里父节点聚合失败只能答确切人数不可得根因是结构化RAG的结构本身是死的计划预先建好不能动态扩展建了结构又不利用节点间的答案。方案细节让推理树边走边长递归深度优先遍历中先序做规划决定分解还是直接答、后序做收集与答题。证据不乱聚合而是沿树拓扑流动–每个节点只用自己子树和兄弟子树的证据祖先区域委托给祖先。APT-RAG免训练每个节点走四步模块一上下文化Contextualization子问题可含占位符引用如表示依赖前序兄弟节点的答案用兄弟QA对解析占位符生成自包含问题无依赖则问题原样通过模块二自适应规划Adaptive Planning可答性检查器判断能否仅用前序兄弟QA对作答–能则直接走横向收集不检索不分解分解器原子问题改写成简洁检索查询直接检索复杂问题分解为子问题作为子节点树在这里长大这一步是控制树规模的关键消融显示固定广度B6延迟暴涨到314.97秒自适应版只要104.59秒模块三拓扑感知证据收集Topology-aware Evidence Gathering横向收集复用前序兄弟QA对作证据消除对已探索信息的重复检索/分解递归基例一外部收集用改写后的检索查询做余弦相似度稠密检索top-k文档直接作证据递归基例二垂直收集分解后子节点各自聚焦更窄证据范围收集子节点QA对聚合后扩展父问题的证据覆盖递归步例问最稀有的两种大型猫科动物–q1列物种、q2分解查各物种种群数、子节点答案垂直聚合、q3横向复用q2答案做稀有度排序模块四证据引导批量答案生成垂直分解常产生共享证据的兄弟问题35个问美洲各国原住民占比的子问题20个共享同一张Wikipedia表格按证据Jaccard相似度聚类归约为团覆盖问题再转补图图着色贪心求解约束每簇prompt长度不超上下文预算同簇问题用去重证据并集联合生成一次调用答多个问题专砍长尾延迟实验结果F1超最强基线8%MoNaCo 30B底座F1 50.84PlanRAG 47.03/ToQ 46.66检索召回50.79 vs PlanRAG 39.28QAMPARI F1 23.28同样领先4B小模型下基线大幅退化而APT-RAG保持稳定树随证据需求长基线检索文档数几乎恒定APT-RAG随金标文档数增长–21-30页范围的F1相当于基线在11-20页的水平31页检索召回仍稳树深树广同步扩张消融去掉垂直收集退化成NaiveRAG暴跌4.2分横向收集降延迟41.4%批量生成降8.2%且95分位极端查询延迟缩减105.9秒学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】