<mark id="oztn4"></mark>
0
| 本文作者： 張璐 | 2026-07-27 10:25 |
作者丨張 璐
編輯丨齊鋮湧
The ACM Web Conference 2026（WWW 2026）在線上閉幕式上揭曉本屆 Best Paper Awards。
其中，唯一最佳長文獎授予了一篇看起來很「垂直」的工作：一篇關于醫學問答的論文。
https://arxiv.org/abs/2510.18297
https://github.com/ll0ruc/MedRGAG
一篇醫學 QA 論文，憑什么在面向 Web、搜索、數據挖掘與 AI 的通用舞臺上拿到最佳長文？
答案恰恰在于，它討論的不是一個只屬于醫學的問題：當外部檢索不完整、模型記憶不可靠，二者又可能相互沖突時，問題并不是簡單地「信誰」，而是大模型到底該如何圍繞問題需求組織知識。
在醫學場景里，這個問題會被放大到極致：檢索少一條關鍵證據，模型可能無法排除干擾診斷；生成多一句不實背景知識，又可能把推理帶向錯誤方向。也正因如此，醫學 QA 成了檢驗大模型能否可靠組織知識的高壓考場。
這項工作由中國人民大學高瓴人工智能學院與騰訊天衍實驗室合作完成。論文第一作者李磊為中國人民大學高瓴人工智能學院博士畢業生，通訊作者為中國人民大學高瓴人工智能學院周驍副教授與騰訊天衍實驗室主任吳賢。
論文提出了 MedRGAG：一個統一檢索與生成的醫學問答范式。雷峰網AI科技評論編輯專訪了本文作者，發現他的思路是「知識需求驅動」——不先問「檢索還是生成」，而是先問「回答這個問題還缺什么知識」。
01
給大模型補知識，主流上有兩條路：RAG（Retrieval-Augmented Generation）讓模型去外部世界查資料，GAG（Generation-Augmented Generation）讓模型調動參數里「記住」的知識。
RAG 走「先查再答」，讓答案更有據可依，也能壓制幻覺；但一旦檢索漏掉關鍵證據，閱讀器就只能基于不完整材料作答。GAG 走「先生成再答」，生成內容天然貼題；但一旦生成背景本身不準，幻覺就會以「證據」的形式進入下游回答。
過去也有工作嘗試把檢索文檔和生成文檔結合起來，但重點多放在如何融合兩類材料、緩解知識沖突上。MedRGAG 進一步追問的是：這些材料是否真的覆蓋了答案所需的知識？
問題不只是「該信檢索還是該信生成」，更是「回答這個問題到底需要哪些知識」。
這也是 MedRGAG 與標準 RAG、GAG 范式的根本區別。
圖1：標準 RAG、GAG 與 MedRGAG 的范式對比
02
MedRGAG 不再糾結檢索和生成誰更可靠，而是從「回答一個問題需要哪些知識」出發，把檢索、生成與選擇組織成一種查漏補缺式知識增強：檢索先提供外部事實錨點，生成再圍繞缺口補充背景，最后篩出真正能支撐答案的證據組合。
于是，「先查再答」或「先生成再答」被重新組織成一種新的回答路徑——「先檢索、再補全、再作答」。這里的重點不是多加一步生成，而是讓檢索、生成、選擇圍繞答案所需的知識依次展開。
MedRGAG 做的不是把檢索和生成簡單疊加，而是讓多源檢索、缺口補全和證據選擇圍繞同一份問題需求協同工作。 在第一階段，MedRGAG 先從多源醫學語料中進行均衡檢索，獲得更全面的初始證據池。隨后，框架通過兩個核心模塊 KGCC 與 KADS，分別解決「缺什么知識」和「選什么證據」兩個問題。
圖2：MedRGAG 框架
▎KGCC：先看檢索缺了什么，再定向生成
KGCC（Knowledge-Guided Context Completion，知識引導的上下文補全）解決的是「生成什么」：普通 GAG 往往直接圍繞問題生成參考資料，而 KGCC 會先總結檢索證據，再判斷回答還缺哪些關鍵信息。
具體來說，它分三步：
1.總結：把每篇檢索文檔壓縮成與問題相關的知識點，無關文檔則標注為「無有用信息」；
2.找缺口：追問「要徹底回答該問題，還缺哪些關鍵知識」，找出最重要、且彼此不重復的缺失點；
3.補全：圍繞缺口逐條生成背景文檔，有針對性地補全檢索沒覆蓋的部分。
這樣一來，生成不再是自由發揮，而是被明確目標牽引：既貼題，也盡量避免與已有證據重復。
生成不是為了替代檢索，而是為了補上檢索暴露出來的空白。
但補全缺失知識之后，任務并沒有結束：候選知識變多了，模型更需要知道哪些該留下。
▎KADS：把文檔選擇變成「證據拼圖」
檢索來 N 篇，生成再補 N 篇，如果把 2N 篇文檔一股腦全塞給閱讀器，只會增加噪聲和上下文負擔。KADS（Knowledge-Aware Document Selection，知識感知的文檔選擇）要做的，是把文檔選擇變成一次「證據拼圖」：從候選材料中拼出一組覆蓋更完整、冗余更少的證據。
它先拆解回答問題需要哪些知識塊，再看每篇候選文檔補上了哪一塊。
換句話說，KADS 不是在選「最像問題」的相似文檔，而是在選「最能拼出答案」的證據組合。
真正有用的證據，不一定最像問題，但一定能補上推理所需的知識。
03
當檢索證據與生成證據共同進入候選池時，普通 reranker 或相似度排序往往更偏向表面相似的文本，卻可能忽略真正支撐醫學推理的關鍵信息。
生成文檔本來就是圍繞問題寫出來的，更貼題，也更容易拿到高相似度分數；但有些檢索證據雖然不那么「像問題」，卻可能包含關鍵事實。
這也是 KADS 的意義：它不問「哪篇文檔最像問題」，而是問「哪幾篇文檔合起來能覆蓋答案所需的知識」。
下圖展示了不同選擇策略下的準確率，以及最終保留的檢索文檔占比。BGE、MedCPT 等 reranker 更容易保留生成文檔，而 MedRGAG 能重新保留那些低相似度但有信息量的檢索證據。
圖3：不同證據選擇策略的效果對比：（a）準確率；（b）最終保留的檢索文檔占比
更值得注意的是，KADS 精選出的 5 篇文檔，準確率可以打平、甚至超過把 10 篇候選文檔全部塞進去的 Merge All。
更多上下文不等于更好的答案。真正重要的，是把對的證據留給模型。
04
值得注意的是，MedRGAG 的提升并不是靠重新訓練醫學大模型。
論文中的「閱讀器」包括 Qwen2.5-7B、LLaMA-3.1-8B、Ministral-8B；生成、總結、找缺口、選擇等環節也主要由通用模型完成。也就是說，MedRGAG 無需訓練、即插即用，提升來自更合理地生成知識、組織知識。
在五個醫學問答基準（MedQA-US、MedMCQA、MMLU-Med、PubMedQA、BioASQ-Y/N）和三種閱讀器上，MedRGAG 都接受了檢驗。結果如下：
圖4：主實驗結果
MedRGAG 在大多數「數據集 × 閱讀器」組合上取得最優或接近最優表現，并在平均結果上位居第一。匯總來看：
相比檢索代表方法 MedRAG，平均相對提升約 12.5%；
相比生成代表方法 MedGENIE，提升約 4.5%；
相比不給外部知識的直接作答，提升約 15.3%。
這意味著，MedRGAG 并不是只在檢索或生成某一條線上做小修小補，而是在兩類代表方法之上都取得了提升。
05
具體到一個真實病例，MedRGAG 的「查漏、補缺、排雷」會怎樣發生？論文給出的案例是：一位攜帶 NF2 突變的患者，被問到其患哪類疾病的風險升高。
圖5：NF2 案例分析
檢索文檔并非無用。它提供了關鍵事實：NF2 與 22 號染色體上的基因突變有關，也提到 NF2 患者易發腦膜瘤。
生成文檔補上了兩條關鍵線索：一是 NF2 的典型腫瘤譜系，二是把 NF2 和 VHL 綜合征區分開。
最終，MedRGAG 從候選材料中精選出一篇檢索文檔和兩篇生成文檔，幫助模型給出正確答案 B. 腦膜瘤。這個案例里，檢索給出事實錨點，生成補上鑒別知識，KADS 則把這些證據組合起來。查漏、補缺、排雷，最終都服務于同一個目標：把回答所需的知識組織完整。
06
回頭看，很多 RAG 和 GAG 相關改進都在追求兩件事：把檢索做得更準，把生成做得更真。MedRGAG 的不同，在于它沒有繼續在這兩端之間「選邊」，而是換了個問題：回答一個問題，到底需要哪些知識？也正是這個問題，讓一篇看似垂直的醫學 QA 論文，觸及了知識增強系統更普遍的難題。
所以，問題也許不是大模型該信「查到的」還是「記得的」，而是它能否判斷：查到的還缺什么，記得的能補什么，最后該把哪些證據組織起來。從這個意義上看，MedRGAG 討論的不只是醫學問答，也不只是 RAG 的一種改進，而是大模型走向可信應用時必須回答的基本問題：如何把「擁有的知識」組織成「可靠的判斷依據」。
07
雷峰網(公眾號：雷峰網)AI科技評論團隊與論文一作李磊進行了一次對話，聊了聊論文背后的一些思考。
▎Q 大家都在卷「把檢索庫做大」，你們是怎么注意到排序器對大模型生成內容有「自戀偏好」這件事的？
A 這個現象在之前一些研究里已有所體現：當檢索文檔和生成文檔同時進入候選池時，常規排序器往往會更偏向于大模型生成的文檔，我們在實驗后期也進一步驗證了這一點。既然普通的排序器解決不了這個問題，我們就提出了基于知識需求驅動的文檔選擇方法，從知識覆蓋度而不是相似度去做篩選。
▎Q KADS 強迫模型把候選文檔映射到具體知識點——這里用的是大模型現有能力，還是專門訓練過的組件？
A 我們沒有額外訓練專門的模型組件，主要依賴大模型已有的指令跟隨和推理能力。具體來說，KADS 會先讓模型更細粒度地去拆解問題需要的知識點，再把候選文檔逐一對應到這些知識點上，最后從覆蓋度和冗余度兩個維度去做篩選。因為繞開了傳統排序器對文本相似度的依賴，它對生成文檔的天然偏好也就不起作用了。
▎Q 系統鏈路挺長，如果要落地到醫院，延遲會不會是個問題？
A 延遲確實是落地時需要考慮的問題。MedRGAG相比普通RAG會多出知識缺口探索、背景生成等步驟，推理成本會更高，但整體上并不是不可優化的。比如這些步驟可以并行化，也可以通過緩存和更高效的推理服務降低延遲，甚至把系統中的功能性模塊蒸餾成專用小模型，專門完成問題拆解、知識缺口識別。這樣既保留知識組織能力，也能降低部署成本。當然，醫療場景還需要額外的臨床驗證、合規審查和安全評估。
▎Q 論文里發現輔助模型從 GPT-4o-mini 降級到輕量模型，效果會明顯下滑——這意味著部署有門檻嗎？
A 是的，這說明 MedRGAG 對輔助模型確實有一定能力要求。KGCC 和 KADS 并不是簡單改寫文本，而是要完成總結、知識缺口識別、問題拆解等操作。尤其是“缺什么知識”這一步，本質上要求模型具備一定的知識邊界判斷能力。我們在論文中也觀察到，當輔助模型換成較小模型時，性能會明顯下降，說明小模型在復雜指令跟隨和多階段推理上仍然容易產生累積誤差。未來如果要部署到資源受限的環境，可以考慮訓練或蒸餾專用小模型，讓它們聚焦于醫學問題拆解和證據選擇，而不是承擔完整的醫學問答任務。
▎Q 這篇論文的方法看起來并不復雜，為什么能拿到 Best Paper？
A 我們自己也有點驚訝。從我們了解到的評獎理由來看，評審提到這篇論文提供了一個統一外部知識與參數化知識的新視角，對醫學問答的可靠性探索提出了可借鑒的方法，也說明這套方法不只局限于醫學領域，對更廣泛的知識增強系統也有啟發。其實我們最開始的動機非常簡單：一個醫生看病，既依賴自己的經驗，也會查閱權威資料，這兩類知識缺一不可。但現在很多研究基本上是在 RAG 和 GAG 兩條線上各自卷，真正把兩者圍繞「問題需要什么知識」串起來的工作很少。從這個出發點去填補這個空白，也許是這篇論文真正被認可的地方。
上車，帶你看遍全球 AI 頂會精華
可獨家暢覽：
專家演講PPT
大會報告全文
熱門論文解讀
學術新星訪談
掃描上方二維碼
或點擊「閱讀原文」關注專區。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
