Авторы представляют DynaKRAG, унифицированную рамку, которая формулирует многоступенчатое извлечение с дополнением генерации как управление состоянием над атомарными операциями доказательств. На каждом шаге слой валидности формирует набор исполняемых действий, а обучаемый контроллер выбирает следующую операцию для обновления состояния доказательств.

  • DynaKRAG использует Qwen2.5-7B-Instruct и достигает F1-оценок 0.5998 на HotpotQA, 0.5340 на 2Wiki и 0.3061 на MuSiQue.
  • Система превосходит сильнейшую контролируемую базовую модель на всех трех бенчмарках.
  • Замена обучаемого контроллера на политику равномерной валидности снижает F1 на 3.96--5.78 пункта.
  • Удаление обратной связи по достаточности негативно влияет на производительность во всех наборах данных.

Эти результаты демонстрируют преимущество координации извлечения, диагностики и приобретения, направленного на пробелы, в условиях эволюционирующего состояния доказательств.