2025年2月26日，计算所 NLP 团队发布了异质混合多跳检索框架LevelRAG。该框架开创性地将多跳问题分解与规划，针对检索器的查询改写进行了层次化建模，并在语义层面对检索结果进行整理和汇总，从而显著提升了检索过程的全面性和准确性。
具体来说，LevelRAG 是一种两阶段的检索增强生成（RAG）框架，结合了多跳逻辑规划和混合检索，以增强检索过程的完整性和准确性。第一阶段，框架通过一个高级搜索器将用户查询分解为原子查询。第二阶段，多个低级搜索器为每个子查询检索最相关的文档，随后将相关信息汇总到高级搜索器中以生成最终答案。在每个低级搜索器中，LevelRAG 利用大型语言模型（LLMs）对原子查询进行适应性优化，使其更好地适配低级搜索器中内置的检索器。同时，在两个阶段中，LevelRAG 均采用了迭代式优化技术，以进一步提升检索准确性。最终，低层搜索器的结果会以语义形式被高层搜索器汇总，从而实现异质检索器检索结果的融合。
我们在多个单跳和多跳知识密集型问答任务上，以 Qwen2 7B 作为生成器进行了系统性实验评估。实验结果表明，与 Self-RAG 、RQ-RAG 等现有多跳检索方法相比， LevelRAG 在各项评估指标上均取得了显著的性能提升，充分验证了该方法的有效性。值得注意的是，通过采用高效的层次化建模方法，基于 7B 轻量级模型的LevelRAG 在多跳问答任务中展现出了卓越的性能表现：不仅在回复质量（F1）上与基于 70B 大模型的 RankRAG 相当，在检索成功率（Acc）上更是超越了所有现有方法。
LevelRAG 由计算所NLP团队 FlexRAG 框架提供支持。
论文链接：https://arxiv.org/abs/2502.18139
项目地址：https://github.com/ictnlp/LevelRAG
FlexRAG：https://github.com/ictnlp/flexrag