Newest papers

MAPS: Macro-Adaptive Parallel Reasoning for Regulating Search Momentum in Retrieval-Augmented Generation

Xinze Li, Dingwen Zhang, Zhenghao Liu, Yukun Yan, Shuo Wang, Yu Gu, Ge Yu, Maosong Sun · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29792 · open-access PDF

Vietnamese

Retrieval-Augmented Generation (RAG) cải thiện hiệu suất của các mô hình ngôn ngữ lớn (LLMs) bằng cách thu thập kiến thức bên ngoài. Gần đây, một số phương pháp RAG liên kết lý luận và thu thập, cho phép LLMs dần tạo ra các sub-queries và thu thập kiến thức bên ngoài. Tuy nhiên, các phương pháp này có thể bị các sub-queries dư thừa hoặc không hiệu quả và khám phá truy vấn không đủ đa dạng. Hơn nữa, do bản chất liên kết chặt chẽ của lý luận và thu thập, nó vẫn không rõ ràng làm thế nào quá trình lý luận phát triển ảnh hưởng đến ý định truy vấn. Để đặc trưng sự phát triển của ý định truy vấn d

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

Abstract

Retrieval-Augmented Generation (RAG) improves the performance of Large Language Models (LLMs) by retrieving external knowledge. Recently, some RAG methods interleave reasoning and retrieval, enabling LLMs to progressively generate sub-queries and retrieve external knowledge. However, these methods may suffer from redundant or ineffective sub-queries and insufficiently diverse query exploration. Moreover, due to the tightly interleaved nature of reasoning and retrieval, it remains unclear how the evolving reasoning process influences query intent. To characterize the evolution of query intent d

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

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