动态RAG性能提升14个点！用4万亿token教会大模型 「什么时候该检索」

　　新智元报道

　　编辑：LRST

　　【新智元导读】动态检索增强生成（Dynamic RAG）通过自适应判断「何时检索」来缓解大语言模型的幻觉问题，但现有方法普遍依赖模型内部信号（logits、entropy、attention等），而LLM本身的信号校准较差，即常对错误答案「自信满满」。近日，来自伊利诺伊大学芝加哥分校、纽约大学、与蒙纳士大学的联合团队提出QuCo-RAG，首次跳出「从模型自己内部信号来评估不确定性」的思维定式，转而用预训练语料的客观统计来量化不确定性，在多跳QA基准上对OLMo系列模型实现5-14个EM点的显著提升，并且有效性成功迁移至Llama3、Qwen2.5、GPT4.1/5等预训练数据未公开的模型。

　　当检索增强生成（RAG）从静态走向动态，一个核心问题浮出水面：何时该触发检索？

　　现有方法的答案是：看模型内部信号。FLARE看句子中的token生成概率，DRAGIN看entropy和attention，ETC看entropy的一阶二阶差分，SeaKR看FFN内部状态……

　　但这一范式存根本性缺陷：LLM通常校准能力很差，经常对错误输出表现出高置信度。

　　DRAGIN vs QuCo-RAG对比。(a)DRAGIN依赖模型内部信号，错误地将问题中的「Il」标记为高不确定性，却对幻觉出的错误导演名显示低不确定性。(b) QuCo-RAG通过预训练语料中的零共现检测，正确识别出幻觉。

　　DRAGIN在生成错误的导演名「Mario Camerini」时显示低不确定性（Uncertainty < threshold），却对问题中的普通token「Il」报出高不确定性（Uncertainty = 1.47 > threshold）。

　　这就是所谓的「自信地胡说八道」（confident hallucination）——模型不知道自己不知道，内部信号完全失效。

　　更根本地，近期理论工作（Kalai & Vempala, 2024）证明：对于罕见事实，即使是完美校准的模型也必须产生幻觉以维持统计一致性。

　　那么，有没有一种方法，能绕过这些不可靠的内部信号？

　　伊利诺伊大学芝加哥分校、纽约大学、与蒙纳士大学的联合团队提出QuCo-RAG，首次跳出「从模型自己内部信号来评估不确定性」的思维定式，转而用预训练语料的客观统计来量化不确定性，在多跳QA基准上对OLMo系列模型实现5-14个EM点的显著提升，并且有效性成功迁移至Llama3、Qwen2.5、GPT4.1/5等预训练数据未公开的模型。

　　论文链接：https://arxiv.org/abs/2512.19134

　　开源代码：https://github.com/ZhishanQ/QuCo-RAG

　　QuCo-RAG的核心洞察是：LLM的事实知识本质上由预训练语料塑造。

　　低频实体 = 长尾知识风险：如果一个实体在预训练语料中很少出现，模型就难以可靠地记忆关于它的知识。

　　零共现 = 幻觉高风险：如果两个实体在整个预训练语料中从未在同时出现，那么模型声称的它们之间的关系就缺乏任何证据支撑——这几乎必然是幻觉。

　　更重要的是，这种因果关系是不对称的：

　　共现 ≠ 正确（两个实体可能以不同关系共现）

　　零共现 ≈ 幻觉（模型无法可靠地生成训练数据中从未见过的实体关系）

　　基于这一洞察，QuCo-RAG从「主观内部置信度」转向「客观语料统计」，通过Infini-gram引擎对4万亿token的OLMo-2预训练语料进行毫秒级查询，实现精准的检索触发。

　　QuCo-RAG框架总览。两阶段检测：生成前知识评估（检查实体频率）+ 运行时声明验证（检查实体共现）。

　　QuCo-RAG通过两阶段检测机制量化不确定性：

　　第一阶段：生成前知识评估（Pre-Generation Knowledge Assessment）
在模型开始生成之前，系统首先「诊断」输入问题：

　　提取问题中的关键实体（如Silas Hardy、Lee Mantle）；

　　查询每个实体在4万亿token预训练语料中的出现频率；

　　如果平均频率低于阈值（默认1000次），触发检索；

　　核心逻辑：低频实体代表「长尾知识」，模型很可能没有可靠记忆。

　　第二阶段：运行时声明验证（Runtime Claim Verification）

　　在模型生成过程中，系统持续监控每个生成的句子：

　　使用轻量级0.5B模型提取知识三元组（头实体, 关系, 尾实体）；

　　查询头尾实体在预训练语料中的共现次数；

　　如果共现次数为0，触发检索并重新生成；

　　核心逻辑：零共现意味着模型正在「无中生有」——编造训练数据中从未出现过的实体关系。

　　毫秒级语料库查询

　　
如何在4万亿token的语料库上实现实时查询？

　　QuCo-RAG利用Infini-gram引擎——一个基于后缀数组的索引系统，支持对万亿级token语料库的毫秒级频率和共现查询。

　　轻量级三元组提取器

　　为了最小化开销，团队从GPT-4o-mini蒸馏了一个专用的0.5B三元组提取模型，基于Qwen2.5-0.5B-Instruct微调。

　　QuCo-RAG各组件运行时间分解。LLM生成占主导（55-74%），Infini-gram查询仅占18-31%，证明语料库检测引入的开销适度。

　　实验结果

　　全面领先，迁移能力惊人

　　OLMo-2全系列5-12点提升

　　QuCo-RAG在所有模型规模和数据集上均取得最佳性能，EM提升5-12点。

　　在2WikiMultihopQA和HotpotQA两大多跳QA基准上，QuCo-RAG在OLMo-2全系列模型（7B、13B、32B）上全面超越所有baseline：

　　OLMo-2-7B：+7.4 EM (2Wiki), +5.6 EM (HotpotQA)

　　OLMo-2-13B：+12.0 EM (2Wiki), +5.3 EM (HotpotQA)

　　OLMo-2-32B：+9.4 EM (2Wiki), +10.8 EM (HotpotQA)

　　而基于内部信号的方法（FLARE、DRAGIN、ETC、SeaKR）表现极不稳定，有时甚至不如简单的单轮检索（SR-RAG）。

　　主实验为什么选择OLMo-2？

　　QuCo-RAG的核心是利用预训练语料的统计信息。但一个关键问题是：如何验证「语料统计」这个信号源本身是有效的？

　　这就需要一个「匹配语料」设置——即模型的预训练数据必须完全公开，才能精确计算实体频率和共现统计。

　　OLMo-2是目前满足这一条件的高性能代表性开源模型：

　　提供完整的4万亿token预训练语料

　　性能与Qwen2.5等主流模型相当

　　覆盖7B/13B/32B多个规模

　　这使得OLMo-2成为验证QuCo-RAG核心假设的理想测试平台。

　　跨模型迁移：代理语料库同样有效

　　一个关键问题：如果模型的预训练数据不公开怎么办？

　　研究团队验证了一个重要假设：网络规模的预训练语料库之间存在大量重叠。

　　因此，使用OLMo-2的语料库作为「代理语料库」，同样可以有效指导其他模型。

　　QuCo-RAG在Qwen2.5、Llama-3、GPT-4.1、GPT-5等模型上均实现显著提升。

　　关键发现：

　　Qwen2.5-32B：2WikiMultihopQA上提升14.1 EM

　　GPT-5-chat：2WikiMultihopQA上提升8.7 EM

　　相比之下，GPT模型自带的Web搜索工具反而低于不检索基线（可能因为网络噪声）

　　效率分析：更少检索，更高性能

　　效率-性能权衡分析。QuCo-RAG以最少的token消耗和LLM调用次数达到最高EM。

　　QuCo-RAG实现了「精准狙击」式的检索：

　　平均每个问题仅触发1.70次检索

　　token消耗仅87个，LLM调用仅1.84次

　　而FS-RAG和DRAGIN消耗2-4倍的token，性能却大幅落后

　　领域泛化：生物医学问答同样有效

　　在PubMedQA生物医学问答基准上，QuCo-RAG同样表现出色：

　　QuCo-RAG在PubMedQA上达到66.4%准确率，超越Wo-RAG 11.2个百分点。

　　内部信号方法在这个专业领域暴露出两种失败模式：

　　过度检索：FLARE平均2.79次检索，token消耗516。显著高于它在通用领域的检索次数和token消耗。

　　检索不足：DRAGIN和ETC触发检索的次数显著低于它在通用领域的检索次数。Acc表现与不检索基线持平。

　　QuCo-RAG则两者兼顾：平均0.93次检索，54.9个token，最高准确率。

　　深度分析：为什么实体频率分析有效？

　　按实体频率分层的性能分析。低频区QuCo-RAG优势明显，高频区优势依然保持。

　　研究团队按实体在语料库中的出现频率将问题分组，揭示了有趣的规律：

　　低频区：模型缺乏知识，但内部信号无法识别这种知识缺陷

　　中频区：模型处于「部分学习」状态，熵等内部信号变得相对有效

　　高频区：实体频率 ≠ 事实频率——即使实体常见，它们的特定关系可能罕见

　　这最后一点尤为重要：高频实体让模型「过度自信」，但QuCo-RAG通过共现检测捕捉到模型对熟悉实体的错误关系声明。

　　深远影响与未来方向

　　本文将语料统计确立为模型内部不确定性信号的客观替代方案。虽然本文聚焦于RAG系统中的检索触发，但这一范式转变在AI安全与鲁棒性领域开辟了多个值得探索的研究方向。

　　赋能可信AI应用

　　实验证明，语料统计比内部信号提供了更可靠的不确定性度量。这种可靠性不仅对RAG有价值，还可扩展到更广泛的安全关键任务：

　　选择性回答：当缺乏证据支撑时，模型可以拒绝回答

　　正确性预测：语料统计为生成的声明提供有据可依的置信度评分

　　从推理时干预到以数据为中心的AI

　　语料统计分析能够精确识别模型的知识盲区。

　　这一信号可以指导训练数据策划：与其仅在推理时通过检索来弥补知识缺口，开发者可以在持续预训练或后训练阶段主动收集低频实体的数据。类似地，语料统计还可以指导：

　　合成数据过滤：在纳入训练集之前，用语料统计验证LLM生成的训练样本

　　模型编辑：区分哪些事实需要定向注入，哪些已被模型可靠学习

　　范式的延伸方向

　　多个研究方向值得探索：

　　多语言验证：通过跨语言统计实现多语言场景的不确定性量化

　　时序动态：利用带时间戳的语料处理知识演变问题

　　超越实体：将方法扩展到事件、关系和数值声明的验证

　　智能体集成：作为自我验证工具集成到智能体系统中，在执行动作前验证生成内容

　　理论基础

　　跨模型迁移的有效性引发了一些值得思考的问题：为什么代理语料能跨模型族生效？能否形式化地建立「给定语料统计的幻觉概率」的信息论界限？这些问题与LLM中「记忆vs泛化」的更广泛讨论相关联。

　　参考资料：

　　https://arxiv.org/abs/2512.19134