[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-art-89164":3},{"itemId":4,"vertical":5,"category":6,"source":7,"score":8,"title":9,"summary":10,"analysis":11,"url":12,"coverUrl":13,"direction":13,"marketSignal":13,"publishedAt":14},"89164","ai","论文研究","面壁智能 OpenBMB",67,"清华团队提出 KARE-RAG，训练生成器抗噪而非优化检索器","清华OpenBMB团队提出KARE-RAG,不优化检索器转而训练生成器抗噪,配合DDPO偏好优化,在Llama-3.1-8B上跨领域EM和F1均有提升。","清华大学与OpenBMB团队反其道而行,不去优化RAG的检索器,而是训练生成器在带噪声的上下文里也能稳定利用信息,提出的KARE-RAG方法在权威基准上跑出了实打实的提升。\n\n· 传统RAG优化路线大多在“让检索器找回更干净的文档”上打转,KARE-RAG换了个假设:噪声难以根除,不如让生成器学会带噪工作\n· 方法把生成过程拆成三步:知识图谱构建、链式推理、答案生成,层层递进降低噪声干扰\n· 提出DDPO(密集直接偏好优化),专门解决标准DPO在结构化输出场景下权重被浪费的问题\n· 在Llama-3.1-8B上验证,跨领域精确匹配(EM)提升4.18%,F1提升3.52%\n· 关键是不需要改动标准RAG的推理管线,迁移成本低\n\n对还在纠结“要不要换更贵检索器”的团队,这提供了一条更便宜的替代路线——把功夫下在生成端的鲁棒性上。","https:\u002F\u002Fx.com\u002FOpenBMB\u002Fstatus\u002F2077740282439676289",null,"2026-07-16 21:01:00"]