arXiv · cs.AI· Ha Lan N. T, Minh-Anh Nguyen, Dung D. Le·· 2 天前
LAnR：在潜在空间统一实现RAG的编码、检索与生成
Latent Abstraction for Retrieval-Augmented Generation
arXiv:2604.17866v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Ha Lan N. T, Minh-Anh Nguyen, Dung D. Le
研究任务与主要进展
LAnR让单个大语言模型在自身潜在空间中联合完成RAG的编码、检索与生成，通过指定[PRED]标记的隐藏状态生成稠密检索向量，并借助轻量MLP判断检索证据是否充分。基于论文摘要，该方法在六个覆盖单跳和多跳场景的问答基准上优于现有RAG方法，同时通过减少检索调用改善推理效率；具体实验细节尚未提供。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org