大型語言模型在 RAG 中的檢索穩健性評估

研究以涵蓋五個資料集、三類任務的 1,891 個樣本，評估 11 個 LLM 在實際 RAG 設定中的檢索穩健性；整體穩健性普遍偏高，但因任務而異。停用推理時，Qwen 和 GPT 模型的穩健性明顯下降，即使在單跳 QA 任務上亦然；把檢索文件作為工具回覆提供，則提升 Claude 模型表現、損害 Qwen 和 GPT 模型表現。研究指出，是否採用 RAG 仍須按個案判斷。