Newest papers

Retrieval Augmented Generation Compositionality

Ido Levy, Segev Shlomov, Leshem Choshen · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29722 · open-access PDF

Vietnamese

Retrieval Augmented Generation (RAG) dựa trên các mô hình ngôn ngữ lớn trong kiến thức bên ngoài. Các đường ống hiện đại kết hợp nhúng, chunking, retrieval, reranking, truy vấn gia tăng, nén ngữ cảnh và xác minh đại lý, tuy nhiên những kỹ thuật này thường được đánh giá từng lần một. Vẫn không rõ liệu những lợi ích cô lập của chúng có tồn tại thành phần hay không, liệu chất lượng thu thập và sự trung thành trả lời có ưu tiên cho cùng một lựa chọn thiết kế hay không, và liệu kết luận từ các tập đoàn nhỏ có được quy mô lớn hay không. Chúng tôi tuyên bố trước ba giả thuyết và giới thiệu LASAGNA, một khuôn khổ mã nguồn mở cho RAG được kiểm soát.

Machine translation (Meta M2M100); the English original follows.

Abstract

Retrieval Augmented Generation (RAG) grounds large language models in external knowledge. Modern pipelines combine embedding, chunking, retrieval, reranking, query augmentation, context compression, and agentic verification, yet these techniques are typically evaluated one at a time. It remains unclear whether their isolated gains survive composition, whether retrieval quality and answer faithfulness favor the same design choices, and whether conclusions from small corpora hold at large scale. We pre-declare three hypotheses and introduce LASAGNA, an open-source framework for controlled RAG ev

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange