Hugging Face发布DeFT-RAG框架：提升多跳问答任务精度与效率

摘要：Hugging Face推出了一种名为DeFT-RAG的新框架，旨在解决传统检索增强生成（RAG）模型在处理多跳问题时面临的挑战。DeFT-RAG通过生成自包含的子问题、规则化更新问答表以及缓存问答对并重用答案，优化了多跳问答任务的执行流程。在多个基准测试中，DeFT-RAG以gpt-4o-mini和Qwen3.6为骨干模型，表现出色，显著提升了准确率并减少了LLM的输入需求。此外，共享的问答缓存机制进一步降低了LLM调用次数，同时保持了高精度。

---

技术机制剖析

DeFT-RAG框架的核心创新点在于其对多跳问题的分解策略和资源优化机制：

1. 自包含子问题生成：DeFT-RAG从原始问题出发，结合已回答的子问题及其答案（QA对），逐个生成自包含的子问题。这种方法确保每个子问题都明确提及所有相关实体，避免了对复杂依赖关系的规划与跟踪，从而简化了LLM的任务。

2. 规则化问答表更新：DeFT-RAG将LLM的额外工作转移到规则化的问答表更新中，通过轻量级决策模型处理“是/否”判断。这种设计减少了LLM的负担，使其专注于核心推理任务。

3. 问答对缓存与重用：通过缓存已生成的QA对，DeFT-RAG能够在后续问题中重用答案。当新问题涉及相同含义的子问题时，模型可以直接从缓存中提取答案，避免重复计算。

工程权衡与实测表现

• 优势：在MuSiQue、2WikiMultiHopQA和HotpotQA等基准测试中，DeFT-RAG以gpt-4o-mini和Qwen3.6为骨干模型，表现出色，显著提升了多跳问题的准确率。同时，LLM输入需求的减少和问答缓存机制的应用，使得整体计算效率更高。

• 权衡：尽管DeFT-RAG在多跳问题上表现出色，但其对规则化决策模型的依赖可能限制其在更复杂或动态变化场景中的表现。此外，问答缓存机制的有效性依赖于问题重复度的分布，在低重复度场景中收益可能有限。

开发者落地与部署建议

• 适用场景：DeFT-RAG特别适用于需要处理复杂多跳问题的应用场景，如知识检索、对话系统和智能问答等。

• 部署建议：开发者可以利用DeFT-RAG的开源实现，结合具体的领域知识进行微调，以提升模型在特定领域的性能。同时，建议在资源允许的情况下，部署共享的问答缓存机制，以最大化缓存重用的收益。

• 优化方向：未来可以探索更智能的子问题生成策略和更高效的缓存管理机制，以进一步提升模型在复杂场景中的表现。

---

消息来源：Hugging Face Daily Papers (2026-10-30)

—— 完 ——

主题标签： #Hugging Face 关注 #RAG 关注 #多跳问答 关注 #DeFT-RAG 关注 #LLM 关注