Исследователи формулируют задачу отбора доказательств в системах вопросно-ответного поиска с извлечением информации как задачу квадратичной неограниченной бинарной оптимизации (QUBO), чтобы преодолеть ограничения топ-k ранжирования и дорогостоящих селекторов на основе LLM.
Метод строит энергетическую функцию, балансирующую релевантность, покрытие требований, силу поддержки, избыточность, комплементарность и компактность. Он оценивается на датасете HotpotQA по сравнению с базовыми методами, включая BM25, максимальную маржинальную релевантность и различные селекторы множеств на основе LLM. Селектор QUBO демонстрирует конкурентоспособные результаты по точному совпадению (exact-match) и токен-F1, позволяя обработку выбора контекста возложить на Ising/QUBO-совместимые решатели.
Этот подход открывает путь к конвейерам RAG, где LLM резервируются для семантической обработки и генерации ответов, а комбинаторный отбор доказательств перекладывается на специализированное оборудование.