概要：生成的検索（GR）モデルは、コーパスをモデルパラメータ内にエンコードし、与えられたクエリに対して関連する文書識別子を直接生成します。
このパラダイムは検索タスクで有望である一方、既存のGRモデルは、財務報告書を含むような数値的文脈での複雑なクエリに対して、推論能力の制限のため苦戦しています。
この制限は、検索精度の低下を招き、実用性を妨げます。
ReasonGRは、GR内の数値的文脈における多段階の意味的推論を強化することを目的としたフレームワークです。
ReasonGRは、タスク固有の指示と段階的推論ガイダンスを組み合わせた構造化プロンプティング戦略を採用し、複雑な検索クエリにより適切に対処します。
さらに、推論関連パラメータの学習を改善する推論重視の適応モジュールを統合しています。
複雑な文書上の金融クエリを含むFinQAデータセットでの実験は、ReasonGRが検索精度と一貫性を向上させることを示しており、推論を要する検索シナリオにおけるGRモデルの発展可能性を示しています。
生成的検索における多段階のセマンティック推論
arXiv cs.CL / 2026/3/16
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- ReasonGRは、生成的検索における多段階のセマンティック推論を強化することを目的として提案され、特に数値的および財務クエリの文脈を対象としています。
- このフレームワークは、構造化プロンプティングと段階的な推論ガイダンスを組み合わせ、推論関連のパラメータを学習する推論特化の適応モジュールを含みます。
- FinQAを用いた実験は、検索精度と一貫性の向上を示し、推論を要する検索タスクにおける性能が強化されることを示しています。
- 広く検証されれば、このアプローチは今後のGRモデルに影響を与え、実世界の文書分析における検索と複雑な推論のギャップを埋めるのに役立つ可能性があります。
