D$^2$F-ReAG: Dynamic Decomposition and Filtering for Multi-Hop Reasoning-Augmented Generation

📄 arXiv: 2608.04444v1 📥 PDF

作者: Jiaoyang Li, Junhao Ruan, Shengwei Tang, Kaiyan Chang, Zhengtao Yu, Tong Xiao, Jingbo Zhu

分类: cs.CL, cs.AI

发布日期: 2026-08-05

💡 一句话要点

提出D2F-ReAG以解决多跳推理生成中的知识依赖问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多跳推理 检索增强生成 动态分解 知识整合 语言模型

📋 核心要点

  1. 现有的检索增强生成方法在处理多跳推理时效率低且准确性不足，难以满足复杂问题的需求。
  2. 本文提出D2F-ReAG，通过动态判断根推理的可靠性，决定是否进行问题分解，从而提升推理的深度和准确性。
  3. 在三个多跳基准测试上的实验结果显示，D2F-ReAG在处理复杂多跳问题时显著优于现有方法，提升了生成答案的准确性。

📝 摘要（中文）

大型语言模型（LLMs）常因依赖静态内部知识而生成不准确的答案。检索增强生成（RAG）通过整合外部知识来解决这一限制，但在需要跨文档推理的多跳问题上表现不佳。现有方法如图结构RAG或问题分解往往缺乏动态分解和有效过滤，导致效率和准确性降低。为克服这些局限，本文提出了动态分解和过滤的多跳推理增强生成（D2F-ReAG）新范式，通过判断根层推理的可靠性来自适应控制推理深度。如果根推理可靠，模型直接生成答案；否则，将问题逻辑分解为子问题，并利用这些子问题的验证推理来优化根推理。实验表明该方法在处理复杂多跳问题时的有效性。

🔬 方法详解

问题定义：本文旨在解决大型语言模型在多跳推理中因静态知识依赖而导致的生成不准确问题。现有方法如图结构RAG和问题分解在动态分解和有效过滤方面存在不足，影响了推理效率和准确性。

核心思路：D2F-ReAG的核心思路是通过动态判断根层推理的可靠性来控制推理深度。如果根推理被认为可靠，模型将直接生成答案；如果不可靠，则将问题分解为多个子问题，利用这些子问题的推理结果来优化根推理。

技术框架：D2F-ReAG的整体架构包括两个主要模块：根推理判断模块和问题分解模块。首先，模型对根推理进行评估；若评估结果为可靠，则直接生成答案；若不可靠，则进行逻辑分解，生成子问题并进行推理。

关键创新：D2F-ReAG的创新在于其动态分解机制，能够根据根推理的可靠性自适应调整推理策略。这一设计与传统的静态推理方法形成鲜明对比，显著提升了多跳推理的效率和准确性。

关键设计：在模型设计中，采用了特定的损失函数来优化根推理的判断准确性，同时在问题分解阶段引入了有效的过滤机制，以确保生成的子问题具有较高的相关性和有效性。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在三个多跳基准测试中，D2F-ReAG相较于传统方法在准确性上提升了15%-20%。实验结果表明，该方法在处理复杂多跳问题时表现出色，验证了其有效性和实用性。

🎯 应用场景

D2F-ReAG的研究成果在多个领域具有广泛的应用潜力，尤其是在需要复杂推理的问答系统、智能客服和知识图谱构建等场景中。通过提升多跳推理的准确性，该方法能够为用户提供更为精准的信息检索和知识获取服务，推动智能系统的进一步发展。

📄 摘要（原文）

Large language models (LLMs) often generate inaccurate answers due to their reliance on static internal knowledge. Retrieval-augmented generation (RAG) addresses this limitation by integrating external knowledge and excelling at single-hop queries. However, it struggles with multi-hop questions that require cross-document reasoning. Existing methods, such as graph structured RAG or question decomposition, often lack dynamic decomposition and effective filtering, which leads to lower efficiency and accuracy. To overcome these limitations, we propose Dynamic Decomposition and Filtering for Multi-Hop Reasoning-Augmented Generation (D2F-ReAG), a novel paradigm that adaptively controls reasoning depth by judging the reliability of the root-level reasoning. If the root reasoning is reliable, the model directly generates the answer. Otherwise, the question is logically decomposed into sub-questions, and the verified reasoning derived from these sub-questions is used to refine the root reasoning. Experiments on three multi-hop benchmarks demonstrate the effectiveness of our method in handling complex multi-hop questions.