Spektrum-Projektionswert: Ausrichtung abgerufener Zusammenfassungen an Lesermodellen in der retrieval-augmentierten Generierung

Spectrum Projection Score: Aligning Retrieved Summaries with Reader Models in Retrieval-Augmented Generation

August 8, 2025

papers.authors: Zhanghao Hu, Qinglin Zhu, Siya Qi, Yulan He, Hanqi Yan, Lin Gui

cs.AI

papers.abstract

Große Sprachmodelle (LLMs) haben eine verbesserte Generierungsleistung durch retrievergestützte Generierung (RAG) nach dem Retriever-Reader-Paradigma gezeigt, das die Modelleingaben mit extern abgerufenem Wissen ergänzt. Bisherige Arbeiten bewerten RAG jedoch oft ganzheitlich, indem sie Retriever und Reader gemeinsam beurteilen, was es schwierig macht, den tatsächlichen Beitrag des Retrievals zu isolieren, insbesondere angesichts der Prompt-Sensitivität der als Reader verwendeten LLMs. Wir führen den Spectrum Projection Score (SPS) ein, eine leichtgewichtige, aufsichtsfreie Metrik, die es dem Reader ermöglicht, die semantische Ausrichtung einer abgerufenen Zusammenfassung mit ihrer verborgenen Repräsentation zu bewerten, indem die Fläche verglichen wird, die von den generierten Tokens der Zusammenfassung gebildet wird, und die Hauptrichtungen des Unterraums im Reader, um die Relevanz zu messen. Aufbauend auf SPS präsentieren wir xCompress, ein Framework zur Inferenzzeitsteuerung, das dynamisch abgerufene Zusammenfassungskandidaten sampelt, bewertet und komprimiert. Umfangreiche Experimente auf fünf QA-Benchmarks mit vier Open-Source-LLMs zeigen, dass SPS nicht nur die Leistung über eine Reihe von Aufgaben hinweg verbessert, sondern auch eine prinzipielle Perspektive auf die Interaktion zwischen Retrieval und Generierung bietet.

English

Large Language Models (LLMs) have shown improved generation performance through retrieval-augmented generation (RAG) following the retriever-reader paradigm, which supplements model inputs with externally retrieved knowledge. However, prior work often evaluates RAG holistically, assessing the retriever and reader jointly, making it difficult to isolate the true contribution of retrieval, particularly given the prompt sensitivity of LLMs used as readers. We introduce Spectrum Projection Score (SPS), a lightweight, supervision-free metric that allows the reader to gauge the semantic alignment of a retrieved summary with its hidden representation by comparing the area formed by generated tokens from the summary, and the principal directions of subspace in the reader and to measure the relevance. Building on SPS we present xCompress, an inference time controller framework that dynamically samples, ranks, and compresses retrieval summary candidates. Extensive experiments on five QA benchmarks with four open source LLMs show that SPS not only enhances performance across a range of tasks but also provides a principled perspective on the interaction between retrieval and generation.