🎯 情报来源：量子位
在ACL 2025最新研究中，来自北航、北大、中关村实验室的团队提出Lexical Diversity-aware RAG（DRAG）框架，通过引入词汇多样性技术，在HotpotQA等多跳问答任务中实现10.6%的准确率提升，刷新多项基准SOTA。该研究首次系统性地解决了RAG技术中词汇多样性导致的检索偏差问题。
研究团队创新性地开发了Diversity-sensitive Relevance Analyzer（DRA）和Risk-guided Sparse Calibration（RSC）两大模块，分别在检索和生成环节提供保障。实验显示，该方法在Llama2、Qwen2等多个不同规模的模型上均表现出显著性能提升，展现出强大的泛化能力。
💡 核心要点
- HotpotQA/2WikiMultiHopQA多跳问答准确率提升10.6%
- PopQA/TriviaQA短文本问答准确率分别提升4.9%和4.4%
- 在ASQA长答案生成任务中刷新str-em、QA-F1等指标SOTA
- 支持Llama2-7B/13B、Qwen2-7B等多种规模模型
- 开源代码即将发布在GitHub平台
📌 情报分析
技术价值：极高 – 首次系统解决RAG词汇多样性问题，创新性地提出DRA和RSC双模块架构，实验数据充分验证其有效性。
商业价值：高 – 可直接提升现有问答系统性能，特别在医疗、法律等专业领域具有重要应用前景，但需进一步验证实际场景表现。
趋势预测：高 – 词汇多样性处理将成为RAG技术发展的重要方向，该方法轻量、通用的特性有利于快速落地应用。