Puntuación de Proyección del Espectro: Alineación de Resúmenes Recuperados con Modelos del Lector en Generación Aumentada por Recuperación

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

August 8, 2025

Autores: Zhanghao Hu, Qinglin Zhu, Siya Qi, Yulan He, Hanqi Yan, Lin Gui

cs.AI

Resumen

Los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) han demostrado un mejor rendimiento en la generación mediante la generación aumentada por recuperación (RAG, por sus siglas en inglés), siguiendo el paradigma de recuperador-lector, que complementa las entradas del modelo con conocimiento recuperado externamente. Sin embargo, trabajos previos suelen evaluar RAG de manera holística, analizando conjuntamente el recuperador y el lector, lo que dificulta aislar la verdadera contribución de la recuperación, especialmente dada la sensibilidad a las indicaciones de los LLMs utilizados como lectores. Introducimos el Puntaje de Proyección del Espectro (SPS, por sus siglas en inglés), una métrica ligera y sin supervisión que permite al lector evaluar la alineación semántica de un resumen recuperado con su representación oculta, comparando el área formada por los tokens generados a partir del resumen y las direcciones principales del subespacio en el lector, para medir la relevancia. Basándonos en SPS, presentamos xCompress, un marco de control en tiempo de inferencia que muestrea, clasifica y comprime dinámicamente candidatos de resúmenes recuperados. Experimentos extensos en cinco conjuntos de referencia de preguntas y respuestas con cuatro LLMs de código abierto muestran que SPS no solo mejora el rendimiento en una variedad de tareas, sino que también proporciona una perspectiva fundamentada sobre la interacción entre la recuperación y la generación.

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.