DiepRAG: Stap voor stap denken naar ophalen voor grote taalmodellen

DeepRAG: Thinking to Retrieval Step by Step for Large Language Models

February 3, 2025

Auteurs: Xinyan Guan, Jiali Zeng, Fandong Meng, Chunlei Xin, Yaojie Lu, Hongyu Lin, Xianpei Han, Le Sun, Jie Zhou

cs.AI

Samenvatting

Grote Taalmodellen (LLM's) hebben opmerkelijk potentieel getoond in redeneren, maar kampen nog steeds met ernstige feitelijke hallucinaties als gevolg van actualiteit, nauwkeurigheid en dekking van parametrische kennis. Ondertussen blijft het integreren van redeneren met opvraag-versterkte generatie (RAG) uitdagend vanwege ineffectieve taakdecompositie en overbodige opvraging, wat ruis kan introduceren en de kwaliteit van de respons kan verminderen. In dit artikel stellen we DeepRAG voor, een raamwerk dat opvraging-versterkt redeneren modelleert als een Markov-beslissingsproces (MDP), waardoor strategische en adaptieve opvraging mogelijk is. Door vragen iteratief te decomponeren, bepaalt DeepRAG dynamisch of externe kennis moet worden opgevraagd of dat er vertrouwd moet worden op parametrisch redeneren in elke stap. Experimenten tonen aan dat DeepRAG de opvraagefficiëntie verbetert en de nauwkeurigheid van antwoorden met 21,99% verbetert, wat de effectiviteit ervan aantoont in het optimaliseren van opvraging-versterkt redeneren.

English

Large Language Models (LLMs) have shown remarkable potential in reasoning while they still suffer from severe factual hallucinations due to timeliness, accuracy, and coverage of parametric knowledge. Meanwhile, integrating reasoning with retrieval-augmented generation (RAG) remains challenging due to ineffective task decomposition and redundant retrieval, which can introduce noise and degrade response quality. In this paper, we propose DeepRAG, a framework that models retrieval-augmented reasoning as a Markov Decision Process (MDP), enabling strategic and adaptive retrieval. By iteratively decomposing queries, DeepRAG dynamically determines whether to retrieve external knowledge or rely on parametric reasoning at each step. Experiments show that DeepRAG improves retrieval efficiency while improving answer accuracy by 21.99%, demonstrating its effectiveness in optimizing retrieval-augmented reasoning.