В RAG-системе поиск находит материалы, а языковая модель использует их для ответа. Но найденные документы могут содержать много текста, не относящегося к вопросу, тогда как значимые сведения иногда распределены между несколькими фрагментами. В статье CURATOR авторы исследуют, как отбирать такие фрагменты совместно, а не оценивать каждый изолированно.
Почему отбор фрагментов — отдельная задача
Если передавать модели-ответчику целые найденные документы, нерелевантный текст занимает часть ограниченного контекстного окна. Отбор предложений или коротких фрагментов может уменьшить этот объём и оставить место для других сведений. Но сокращение контекста полезно лишь при условии, что отобраны доказательства, необходимые для ответа.
Один фрагмент может выглядеть незначимым отдельно, но стать полезным вместе с другим. В примере из статьи вопрос требует связать Лондон с Олимпийскими играми 2012 года и реку Темзу с Лондоном: ни одно из двух утверждений по отдельности не даёт всей цепочки ответа.
Три способа оценить кандидатов
Авторы сопоставляют независимую, контекстную и совместную оценку. Независимый оценщик рассматривает каждый фрагмент отдельно и может не заметить его связь с другими кандидатами. Контекстный подход учитывает общий набор, но при отдельном запуске для каждого фрагмента повторно обрабатывает общий контекст. Совместная оценка принимает решения о нескольких фрагментах за один проход, чтобы избежать этой повторной обработки.
Экономия на повторной обработке сама по себе не гарантирует точного отбора. Авторы сообщают, что способность предварительно обученных моделей находить релевантные доказательства ухудшалась, когда увеличивалось число одновременных решений. Значит, метод должен решать сразу две задачи: учитывать связи между кандидатами и сохранять качество при росте их количества.
Как устроен CURATOR
CURATOR — дообученная модель решений для отбора доказательных фрагментов. По описанию авторов, её обучают выбирать разное число поддерживающих фрагментов из крупных наборов кандидатов. Замысел состоит в том, чтобы модель научилась принимать совместные решения для наборов переменного размера, сохраняя вычислительное преимущество общего прохода.
Для практического воспроизведения метода важны сведения о данных и разметке, базовой модели, настройках обучения и процедуре оценки. В доступных для редакционной проверки выдержках этих параметров недостаточно, чтобы составить воспроизводимый рецепт или оценить вычислительную стоимость обучения.
Что авторы заявляют об экспериментах
В аннотации авторы утверждают, что CURATOR сохраняет способность различать доказательные фрагменты при увеличении числа кандидатов, переносится между задачами и областями документов и улучшает ответы RAG, особенно при ограниченном контексте. В структуре статьи обозначены эксперименты по качеству и эффективности отбора, сравнению со специализированными ранжировщиками, переносу между задачами и влиянию на ответы.
Доступные для этой редакционной проверки выдержки не позволяют привести численные результаты и условия экспериментов, необходимые для оценки величины эффекта: здесь нельзя установить конкретные метрики, размер улучшения, сравнительные показатели базовых методов или границу, за которой растущий набор кандидатов ухудшает качество. Поэтому выводы о преимуществе следует считать заявлениями авторов исследования, а не независимо подтверждённым результатом. В статье все три автора указаны как сотрудники AWS AI Labs.
Что это означает для разработчика RAG
Практический вопрос — не только сколько текста удаётся убрать перед ответом, но и остаются ли в контексте взаимосвязанные доказательства. Независимый ранжировщик может упустить фрагменты, полезные только в сочетании; совместный отбор рассчитан на такие случаи, но его качество при большом числе кандидатов нужно сопоставлять с затратами на обработку.
По имеющимся сведениям нельзя определить, насколько CURATOR точнее или дешевле конкретного ранжировщика в заданной системе. Для решения о внедрении потребуются условия и численные результаты сравнений, а затем оценка на собственных вопросах, документах и бюджете контекста. Статья описывает исследовательский подход к этой задаче, но приведённых здесь подтверждённых данных недостаточно, чтобы рекомендовать замену существующего компонента RAG.
Источник: статья CURATOR на arXiv, версия v1 датирована 12 ноября 2026 года.
