연구진이 복합 다중 홉 질문 답변 성능을 높이는 ConRAG 프레임워크를 제안했어요. ConRAG는 쿼리와 코퍼스 측면을 모두 최적화하고 관계, 개체, 텍스트 신호 등 멀티뷰 증거를 활용합니다.
세 가지 멀티홉 질문 답변 벤치마크 실험에서 기존 방식보다 평균 26.9% 성능 향상, 특히 MuSiQue 벤치마크에서 최고 기록 달성했어요.
ConRAG는 기존 RAG 방식의 쿼리 분해 또는 지식 그래프 구축 방식의 한계를 극복하고 LLM의 복합 질문 답변 능력을 향상시키는 데 기여합니다.