멀티홉 질문 응답에서 RAG의 취약점(중간 상태 불명확, 검색 쿼리 드리프트, 자기 반성 불신뢰)을 해결하기 위해 추론 과정을 실행 가능한 파이썬 프로그램으로 표현하는 PyRAG 프레임워크를 소개합니다. 추론 단계를 변수로 노출하고 실행을 통한 결정론적 피드백과 컴파일러 기반 자기 수정, 실행 기반 적응형 검색을 추가 학습 없이 구현합니다. 5개 QA 벤치마크(PopQA, HotpotQA, 2WikiMultihopQA, MuSiQue, Bamboogle)에서 훈련 없이도 강력한 기준 모델을 일관되게 능가했습니다.
- •RAG 추론을 자연어 대신 실행 가능한 파이썬 프로그램으로 표현해 명확성 확보
- •중간 추론 상태를 변수로 명시하여 검색 쿼리 드리프트 문제 해결
- •추가 학습 없이 컴파일러 기반 자기 수정 및 실행 기반 적응형 검색 지원
- •5개 QA 벤치마크에서 훈련 없이 최고 성능 달성
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Retrieval is Cheap, Show Me the Code: Executable Multi-Hop Reasoning for Retrieval-Augmented Generation
본문 미리보기
arXiv:2605.12975v1 Announce Type: new Abstract: Retrieval-Augmented Generation (RAG) has become a standard approach for knowledge-intensive question answering, but existing systems remain brittle on multi-hop questions, where solving the task requires chaining multiple retrieval and reasoning steps. Key challenges are that current methods represent reasoning through free-form natural language, where intermediate states are implicit, retrieval queries can drift from intended entities, and errors
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
