AAAI 2026 · RAG / 长上下文¶
本页 1 篇(该主题共 1 篇),按相关性排序。 返回总览
1. Inference Scaling Law for Retrieval Augmented Generation¶
- 链接: 论文页 · PDF
- 作者: Shu Zhou, Yuxuan Ao, Yunyang Xuan, Xin Wang, Tao Fan, Hao Wang
- 会议/来源: AAAI 2026 · Track 19
- 相关性 8/10 ·
analysis - 测什么: RAG推理性能随检索器规模、生成器规模、文档数和上下文长度的缩放规律
- 摘要: 本文系统研究检索增强生成(RAG)在推理阶段的缩放规律,考察检索器规模、生成器规模、检索文档数和上下文窗口长度四个因素对性能的影响。基于多个基准数据集的大量实验,作者发现性能与这些因素间存在幂律和S型关系,并构建了带理论依据的联合推理缩放定律。该定律可用于预测不同计算资源下RAG模型的性能趋势,为高效部署提供指导。方法学贡献在于将缩放定律从训练阶段拓展到推理阶段,并给出了可验证的定量关系。
- 为什么值得看: 为RAG评测提供了预测性框架,可帮助研究者理解资源投入与性能增益的边际效应,对评测中的资源分配和实验设计有方法学参考价值。
- 关键技术:
scaling law,power-law fitting,sigmoid fitting,joint scaling model