BELIEFRAG: Making Adaptive RAG State-Aware under Evolving Evidence

{"tags": ["Adaptive RAG", "Retrieval-Augmented Generation", "Multi-Step Retrieval", "Evidence State", "Token Efficiency", "Calibrated Answerability"], "risks": ["Dịch chuyển phân phối nguồn dữ liệu (source shift) có thể làm mất hiệu lực của các tín hiệu quyết định và ngưỡng hiệu chuẩn.", "Một số chiều niềm tin bị dư thừa, đòi hỏi tinh gọn để tránh tăng chi phí tính toán quản lý trạng thái.", "Độ phức tạp tích hợp vào các pipeline RAG hiện có cao hơn so với các heuristic truy xuất đơn giản."], "category": "Research", "entities": ["BELIEFRAG", "gpt-oss-120b", "Qwen3-32B"], "summary_vi": "BELIEFRAG là bộ điều khiển vòng lặp kín (closed-loop controller) dành cho Adaptive RAG nhằm khắc phục hiện tượng phân mảnh trạng thái bằng chứng trong truy xuất đa bước. Hệ thống duy trì trạng thái tường minh về tính đầy đủ, độ tin cậy, xung đột, sự bất định, khoảng trống chứng cứ và chi phí, từ đó chọn hành động tối ưu (truy xuất, viết lại truy vấn, kiểm chứng, trả lời, dừng hoặc từ chối). Thử nghiệm trên 6 benchmark cho thấy BELIEFRAG nâng cao điểm F1 đồng thời giảm 35-39% lượng token tiêu thụ trên gpt-oss-120b và Qwen3-32B. Điểm mấu chốt mang lại hiệu năng là cơ chế truy xuất lại để sửa sai kết hợp khả năng trả lời đã qua hiệu chuẩn.", "key_changes": ["Đề xuất BELIEFRAG - bộ điều khiển vòng lặp kín giải quyết tình trạng phân mảnh trạng thái bằng chứng (evidence-state fragmentation) trong Adaptive RAG.", "Theo dõi trạng thái tường minh gồm: tính đầy đủ, độ tin cậy, xung đột, độ bất định, khoảng trống bằng chứng và chi phí thu thập.", "Hỗ trợ không gian hành động linh hoạt: truy xuất, viết lại truy vấn, kiểm chứng, trả lời, dừng và từ chối trả lời (abstention).", "Đạt F1 0.572 (tiết kiệm 39% token) trên gpt-oss-120b và F1 0.552 (tiết kiệm 35% token) trên Qwen3-32B so với truy xuất lặp cố định.", "Xác định cơ chế truy xuất lại sửa sai (corrective re-retrieval) và khả năng trả lời qua hiệu chuẩn (calibrated answerability) là yếu tố quyết định hiệu quả."], "sub_category": "Adaptive RAG", "novelty_score": 79, "business_score": 76, "research_score": 85, "why_it_matters": "BELIEFRAG giải quyết bài toán cốt lõi của RAG đa bước: kết hợp các tín hiệu cục bộ thành một trạng thái bằng chứng nhất quán xuyên suốt phiên làm việc. Điều này cho phép hệ thống AI vừa nâng cao độ chính xác, vừa cắt giảm gần 40% chi phí suy luận (token) nhờ biết khi nào cần truy xuất bổ sung, sửa sai hay chủ động từ chối trả lời.", "developer_score": 82, "importance_score": 78, "possible_use_cases": ["Tối ưu chi phí token và độ chính xác cho hệ thống hỏi đáp (QA) đa bước quy mô lớn.", "Xây dựng agent tra cứu tài liệu doanh nghiệp có khả năng tự kiểm chứng và từ chối trả lời khi thiếu dữ liệu.", "Nâng cấp pipeline RAG phức tạp trong y tế, pháp lý hoặc tài chính nhằm phát hiện xung đột và lấp đầy khoảng trống thông tin."], "actionability_score": 68}