Les auteurs présentent DynaKRAG, un cadre unifié qui formule la génération augmentée par retrieval multi-sauts comme un contrôle conditionné par l'état sur les opérations de preuve atomiques. À chaque étape, une couche de validité construit l'ensemble des actions exécutables tandis qu'un contrôleur appris sélectionne l'opération suivante pour mettre à jour l'état de la preuve.
- DynaKRAG utilise Qwen2.5-7B-Instruct et atteint des scores F1 de 0,5998 sur HotpotQA, 0,5340 sur 2Wiki et 0,3061 sur MuSiQue.
- Le système surpasse la baseline contrôlée la plus forte sur les trois benchmarks.
- Remplacer le contrôleur appris par une politique de validité uniforme réduit le score F1 de 3,96 à 5,78 points.
- La suppression du feedback de suffisance impacte négivement les performances sur tous les ensembles de données.
Ces résultats démontrent l'avantage de coordonner la récupération, le diagnostic et l'acquisition dirigée par les lacunes sous un état de preuve évolutif.