本研究提出了LongRAG，一种双视角的增强检索生成系统，旨在解决长上下文问答中的“迷失于中间”问题。实验结果表明，LongRAG在多个多跳数据集上显著提高了问答准确性，展示了其在长上下文问答中的潜力。

大型语言模型（LLMs）面临幻觉和知识更新慢等挑战。检索增强生成（RAG）通过外部知识库提升答案质量。本文总结了RAG的三种范式及其组成部分，探讨了评估方法和未来研究方向。提出的DR-RAG框架提高了文档检索的准确性，OP-RAG机制在长上下文问答中表现优异，展示了RAG的潜在价值。

本文探讨了大型语言模型（LLM）在处理长篇内容时的性能提升方法，包括查询引导压缩器（QGC）和上下文压缩技术。这些方法显著降低了推理成本和时间，同时提高了模型的准确性和效率。新技术LLoCO和LeanContext使LLM在长上下文问答任务中表现优异，减少了内存占用和计算成本，为未来研究提供了重要见解。

本文探讨了通过对比监督信号提升长上下文问答模型的支持证据识别能力，研究了跨语言问答系统的可靠性及归属度检测方法，提出了基于属性的 LLM 发展框架，并分析了检索增强对生成答案的影响，强调了提高模型推理和接地性的必要性。