論文提出 RAG 上下文分配法則：循序生成取代單一寬上下文，召回率提升達 20.5%

最新論文《The Laws of Context Allocation》指出，檢索增強生成（RAG）在證據利用率測量與上下文預算分配上存在瓶頸。研究發現，傳統相關性指標（如 BM25 與查詢-文件餘弦相似度）在面對無關查詢的負樣本時表現極佳（AUC 0.99），但換成同查詢且主題密集卻無答案的「困難負樣本」時，準確率會暴跌至隨機水準（AUC 0.57）。 為此，研究團隊提出「因果留一探測器（causal leave-one-out probe）」，在困難負樣本下仍能維持 0.85 的 AUC，準確測量模型對證據的實際依賴。 在上下文分配方面，研究證明傳統擴大單一上下文（monolithic context widening）的策略會導致相關性衰退。若將固定的證據預算分配給多個連續的窄上下文進行「循序生成」，其組合召回率（portfolio recall）可絕對提升 16.7 至 20.5 個百分點，且此效應在 32B 參數模型上依然穩健。 團隊最終整合出一個閉環子模組調度器（closed-loop submodular scheduler），每輪讀取探測器回饋來降級已飽和的證據並提升未充分利用的證據，搭配歸因引導的對比解碼器強制模型整合新資訊。相關程式碼與包含 1.15 萬筆紀錄的基準測試集已於 GitHub 與 Hugging Face 開源。