Les chercheurs formulent la sélection de preuves dans la réponse aux questions augmentée par la récupération comme un problème d'optimisation binaire non contraint quadratique (QUBO) afin de pallier les limites du classement top-k et des sélecteurs basés sur les LLM coûteux.
La méthode construit une fonction d'énergie équilibrant la pertinence, la couverture des exigences, la force du soutien, la redondance, la complémentarité et la compacité. Elle est évaluée sur HotpotQA par rapport à des références incluant BM25, la pertinence marginale maximale et divers sélecteurs d'ensembles basés sur les LLM. Le sélecteur QUBO atteint des performances de correspondance exacte et de F1 par token compétitives tout en permettant que la sélection du contexte soit gérée par des solveurs compatibles Ising/QUBO.
Cette approche ouvre une voie vers des pipelines RAG où les LLM sont réservés au traitement sémantique et à la génération de réponses, tandis que la sélection combinatoire des preuves est déchargée sur du matériel spécialisé.