Los investigadores formulan la selección de evidencia en la respuesta a preguntas con recuperación aumentada como un problema de Optimización Binaria Cuadrática No Restringida (QUBO) para abordar las limitaciones del ranking top-k y los selectores basados en LLM costosos.
El método construye una función de energía que equilibra relevancia, cobertura de requisitos, fuerza de soporte, redundancia, complementariedad y compacidad. Se evalúa en HotpotQA frente a líneas base que incluyen BM25, relevancia marginal máxima y varios selectores de conjuntos basados en LLM. El selector QUBO logra un rendimiento competitivo en coincidencia exacta y token-F1, mientras permite que la selección del contexto sea manejada por solucionadores compatibles con Ising/QUBO.
Este enfoque abre una vía hacia pipelines de RAG donde las LLM se reservan para el procesamiento semántico y la generación de respuestas, mientras que la selección combinatoria de evidencia se descarga a hardware especializado.