研究人员将检索增强问答中的证据选择问题表述为二次无约束二进制优化（QUBO）问题，以解决top-k排名和昂贵的基于LLM的选择器的局限性。

该方法构建了一个能量函数，平衡相关性、需求覆盖度、支持强度、冗余性、互补性和紧凑性。它在HotpotQA数据集上针对包括BM25、最大边际相关性和各种基于LLM的集合选择器在内的基线进行了评估。QUBO选择器在精确匹配和token-F1方面实现了具有竞争力的性能，同时允许由Ising/QUBO兼容的求解器处理上下文选择。

这种方法为RAG流水线开辟了一条路径，其中LLM保留用于语义处理和答案生成，而组合证据选择则卸载到专用硬件上。