arXiv cs.AIは10月26日(現地時間)、研究論文を公開し、言語モデルの能力を検索に活用する新たな手法「DecisionRAG」を提案した。このモデルは、事前学習済み言語モデルを意思決定モデルとして機能させ、単一の順方向パスで候補ブランチを共同で評価することで、トークンを生成することなく関連文書を発見する。これにより、従来の語彙マッチングや固定埋め込み空間に基づく検索が抱える、効率と精度の限界を克服すると説明されている。
チャオ・ワン (Chao Wan)氏、ポール・ユンガー (Paul Jünger)氏らが著者として名を連ねるこの論文は、検索システムがレトリバーの能力不足により重要な情報を発見できないという「能力の非対称性」という課題を指摘する。DecisionRAGは、この本質的な問題に対処するため、人間が図書館で資料を探すように、コーパスの持つ固有の構造を広範なトピックから個々のパッセージへと段階的にナビゲートする。
DecisionRAGの核心は、各レベルで探索する価値のあるブランチを判断する意思決定モデルにある。このアプローチは、従来の検索メカニズムがしばしば直面する、読者や言語モデル自身が容易に特定できるはずの情報を見つけられないという問題を解消する。従来のレトリバーが語彙の一致や固定された埋め込み空間における類似性に依存するのに対し、DecisionRAGは言語モデルのより高度な理解と推論能力を直接利用し、文脈に基づいたより洗練された検索を可能にする。
さらに、DecisionRAGはタスク固有のトレーニングや、従来の検索システムで必要とされる第一段階のレトリバーを一切必要としない。この設計は、導入の簡素化と適応性の高さに貢献する。評価ベンチマークにおいて、DecisionRAGはその優位性を示した。MultiDoc2Dialでは、8B rerankerを用いた高密度検索を13.8 R@1ポイント上回り、Natural Questionsでは17.4 Hit@1ポイント上回る性能を達成したと報告されている。
効率性においても、DecisionRAGは優れた結果を示した。268万のWikipediaパラグラフを含む4つのベンチマークにおいて、クエリあたりの検索時間はわずか0.7〜1.8秒であったと報告されている。この速度と精度は、大規模な文書コーパスにおける情報検索において、DecisionRAGが実用的な選択肢の一つとなりうることを示している。
参考: arXiv cs.AI (アーカイブ) — 2026年10月27日 02:59 (JST)