文脈配分の法則：生成検索における因果測定と閉ループ・オーケストレーション

要旨

検索拡張生成（RAG）が多様なポートフォリオ生成へと移行するにつれ、エビデンス利用の測定の欠陥と、コンテキスト予算配分の最適性の低さという、二つの重大なボトルネックに阻まれる。我々はこの両方を順に解決する。測定の解決のために、我々は広く見られる「診断上の錯覚」を明らかにする。標準的な関連性の代理指標は、ハードネガティブに対して壊滅的に失敗するのである。我々はこれらを、生成時の依存関係を正確に分離し、LLMアテンションの構造的希薄化を形式的に較正する、効率的な因果的leave-one-outプローブに置き換える。配分の解決のために、我々はこの因果プローブを、交絡を除去した要因配置グリッド上に展開する。主流の戦略であるモノリシックなコンテキスト拡大は、関連性の減衰によって罰せられるアーキテクチャ上の罠であることを、我々は証明する。その代わりに、複数の逐次生成にわたって計算資源を反復的に配分することで、ポートフォリオ再現率において16.7～20.5絶対パーセンテージポイントという変革的な向上がもたらされ、32Bモデルまで堅牢にスケールする。最後に、我々はこれらの解決策を、展開可能な閉ループ・サブモジュラースケジューラに統合する。帰属情報によって導かれる対照的デコーダを強化として用い、LLMのアテンション慣性を上書きすることにより、我々のアーキテクチャは新たなエビデンスの統合を体系的に強制する。古典的な開ループベースラインを圧倒することで、我々は逐次的かつフィードバック駆動のオーケストレーションを、生成的検索の決定的なパラダイムとして確立する。我々のコード、データ、因果測定機器は、https://github.com/PeiYangLiu/ascp で入手可能である。

English

As Retrieval-Augmented Generation (RAG) shifts toward diverse portfolio generation, it is stymied by two critical bottlenecks: flawed measurement of evidence utilization, and suboptimal context budget allocation. We resolve both sequentially. To resolve measurement, we expose a pervasive ``diagnostic illusion'': standard relevance proxies fail catastrophically on hard negatives. We replace them with an efficient causal leave-one-out probe that accurately isolates generative reliance and formally calibrates the structural dilution of LLM attention. To resolve allocation, we deploy this causal probe in a deconfounded factorial grid. We prove that the prevailing strategy of monolithic context widening is an architectural trap penalized by relevance decay. Instead, allocating compute iteratively across multiple sequential generations drives transformative portfolio recall gains of 16.7--20.5 absolute percentage points, scaling robustly up to 32B models. Finally, we unify these solutions into a deployable closed-loop submodular scheduler. Augmented by an attribution-steered contrastive decoder to override LLM attention inertia, our architecture systematically forces fresh evidence integration. By dominating classical open-loop baselines, we establish sequential, feedback-driven orchestration as the definitive paradigm for generative search. Our code, data, and causal measurement instruments are available at https://github.com/PeiYangLiu/ascp.