.png){kind=icon}
返回
ReflectRAG: Enhancing retrieval-augmented generation with GRPO-optimized iterative reflection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.134047.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
ReflectRAG通过结构化规划、迭代反思和强化学习（RL）增强检索增强生成（RAG），以解决无关检索和单次生成错误问题。具体而言，ReflectRAG首先检索并重排文档，基于事实性计划生成答案。随后，ReflectRAG利用反思模块迭代批判和优化计划与答案，并通过RL优化反思模块。通过整合规划、反思与RL，ReflectRAG确保答案精确且上下文一致，为开放域问答（QA）提供稳健解决方案。为验证所提模型的有效性，我们在MS MARCO v2.1、TriviaQA（TQA）和Natural Questions（NQ）上进行了广泛实验。三个开放域数据集的对比结果表明，ReflectRAG在MS MARCO v2.1、TriviaQA和NQ上较BASE RAG基线绝对F1值提升最高达+0.31，证明ReflectRAG是提升QA系统事实准确性和连贯性的有效方案。源代码可访问https://github.com/uncxlirh/ReflectRAG。
Keyword:
Retrieval-Augmented Generation
Iterative Reflection
Reinforcement Learning
Question Answering
Structured Planning
