基于强化学习的大语言模型检索增强方法
罗学炜
霍雨佳
贵州民族大学数据科学与信息工程学院 贵州贵阳 550025
摘要：大型语言模型(LLM)不可避免地存在幻觉现象,因其生成文本的准确性无法仅依靠模型内部封装的知识得到保证.虽然检索增强生成(RAG)为大型语言模型提供了有效的知识补充,但其效果很大程度上依赖于检索文档的相关性,当检索到无关内容时可能引发问题.为解决这一局限性,文章提出一种基于强化学习的检索增强生成框架(RL-RAG),以提升文本生成的鲁棒性.具体而言,采用交叉编码器计算的相关性分数作为奖励信号,通过建立奖励机制提升整体检索文档质量.在3个数据集上的实验结果表明,RL-RAG显著提升了基于RAG方法的性能表现.
关键词：深度学习自然语言处理大语言模型强化学习
论文发表日期：2026-02-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 142-145 )