SIGIR 2025

• 用戶日益依賴對話助手（如 ChatGPT）來滿足多種信息需求，這些需求包括開放式問題、需要推理的間接回答，以及答案分布在多個段落中的復雜查詢
  • RAG試圖通過在生成過程中引入檢索到的信息來解決這些問題
    • 但如何確保回應的透明性和來源可追溯性仍是一個未解難題
    • 在提示中注入證據可以減少幻覺（hallucination），但冗余信息和過長的上下文容易導致“中間信息遺失”（lost in the middle）問題，即模型難以從長上下文的中部提取相關信息
• ——>論文提出了一個模塊化流水線：GINGER（Grounded Information Nugget-Based GEneration of Response）
  • 與現有 RAG 方法相比，GINGER 的主要創新在于它基于“信息顆粒”（information nuggets）運作，后者是最小的相關信息單元
  • 在響應用戶查詢所檢索到的一組段落中，GINGER 識別出段落中的信息顆粒，按查詢的不同方面對其進行聚類，按相關性對聚類進行排序，對最相關的聚類進行摘要，并對最終回應進行流暢性與連貫性的優化
  • GINGER 獨特地建模查詢的不同方面，以確保回應中包含盡可能多的獨特、有用的信息
  • 該方法通過將最終回應緊密錨定于原始段落來源，并支持輕松驗證引用，顯著提升了用戶體驗。
•