ReaRAG: Knowledge-guided Reasoning Enhances Factuality of Large Reasoning Models with Iterative Retrieval Augmented Generation
Created by
Haebom
Category
Empty
저자
Zhicheng Lee, Shulin Cao, Jinxin Liu, Jiajie Zhang, Weichuan Liu, Xiaoyin Che, Lei Hou, Juanzi Li
개요
본 논문은 대규모 추론 모델(LRM)의 사실 정확성을 높이기 위해, 검색 증강 생성(RAG)을 활용한 사실성 향상 추론 모델 ReaRAG를 제안합니다. ReaRAG는 과도한 추론 반복을 피하고 다양한 질문을 탐색하며, 사전 정의된 행동 공간(Search와 Finish)에서 행동을 선택하는 방식으로 동작합니다. Search 행동 시 RAG 엔진을 통해 질문을 실행하고 결과를 관찰값으로 사용하여 추론 과정을 안내하며, Finish 행동이 선택될 때까지 반복합니다. 제한된 추론 체인 길이를 갖는 새로운 데이터 구성 프레임워크를 사용하며, 다단계 질문응답(QA) 작업에서 기존 기준 모델보다 성능이 우수함을 보여줍니다. 오류 인식 및 추론 경로 수정 능력도 강조합니다.
