G-Retriever：文本图理解与问答的检索增强生成
内容提要
本文综述检索增强生成（RAG）在开放域问答中的发展。GRG方法先由大模型生成上下文文档，再检索相关文档，交由第二个模型生成答案，在TriviaQA等数据集上优于GENREAD和RFiD。其他研究涵盖图模型检索、PaperQA科学问答、数学辅导、GAR查询增强、知识图谱增强及RAG三种范式（Naive、Advanced、Modular），并探讨评估方法与未来方向。
延伸解读
GRG方法的核心机制
GRG采用生成-检索-生成的流程：先让大模型根据问题生成上下文文档，再用双编码器从外部语料库检索相关文档，最后将两者输入第二个大模型生成答案。这种方法结合了生成式模型的灵活性和检索式模型的准确性，在开放域问答中能提供更丰富且上下文相关的回答。
GRG在基准测试上的表现
在TriviaQA、NQ和WebQ数据集上，GRG的性能超过了GENREAD和RFiD等先进流水线，分别至少提升了5.2、4.2和1.6个点。这表明生成与检索的结合能有效提升问答准确率，为开放域问答系统提供了新的优化方向。
RAG的三种范式与评估
文章总结了RAG的三种范式：Naive RAG、Advanced RAG和Modular RAG，并概述了检索器、生成器和增强方法等核心组件。同时介绍了RAG的评估方法、指标和自动评估框架，为研究者系统化改进和比较RAG系统提供了参考。
RAG的多样化应用场景
RAG技术已应用于多个领域：PaperQA利用RAG处理科学文献问答，数学辅导中RAG从教材检索内容生成辅导回答，GAR通过生成语境增强查询提升检索效果，知识图谱增强则通过文本化KG知识提升LLM的问答能力。这些案例展示了RAG在专业场景中的适应性和潜力。
Q&A
GRG方法是如何工作的？
GRG（Generator-Retriever-Generator）首先命令模型根据给定问题生成上下文文档，然后使用双编码器网络从外部语料库中检索相关文档，最后将生成的和检索的文档传递给第二个LLM生成最终答案。
GRG在哪些数据集上优于GENREAD和RFiD？
GRG在TriviaQA、NQ和WebQ数据集上表现优于GENREAD和RFiD，性能至少提高了+5.2、+4.2和+1.6。
RAG有哪三种范式？
RAG的三种范式是Naive RAG、Advanced RAG和Modular RAG。
PaperQA在科学问答中有什么优势？
PaperQA通过对科学文献进行信息检索，评估来源和段落的相关性，并利用RAG提供答案，超越现有的LLMs和LLM代理在科学问答基准测试上的表现，使代理模型能够进行大规模、系统化的科学知识处理。
GAR方法如何增强开放域问答的检索？
GAR（Generation-Augmented Retrieval）通过发现相关语境并进行文本生成来增强查询，生成的语境丰富了查询的语义，使用BM25稀疏表示与DPU等稠密检索方法相比，GAR能获得同等甚至更好的检索效果，并与DPU结合在Natural Questions和TriviaQA数据集上显著提高提取式QA基线的性能。
知识图谱增强语言模型在KGQA任务中有什么改进？
基于回答敏感的KG-to-Text方法，将KG知识转化为对KGQA最有信息量的文本化陈述，并提出KG-to-Text增强的LLMs框架，在几个KGQA基准测试上，该方法在回答准确性和知识陈述的有用性方面优于先前的KG增强LLMs方法。
