研究人员推出 DecisionRAG：不用检索器，268 万段资料检索只要 0.7 秒

首次发布 2026年10月26日传播指数 33

研究人员推出 DecisionRAG，用决策模型替代传统向量检索与生成式推理。系统借鉴人类查阅图书的层级结构，单次前向传播即可给同级选项同时打分，不生成文本直接逐层定位。在 268 万段维基百科测试中，检索仅需 0.7 到 1.8 秒，召回率大幅领先传统重排方案。

做 RAG 应用的人都知道一个痛点：前面向量检索一旦漏掉了关键段落，后面哪怕接再强的大模型，也根本救不回来。

很多团队为了准确率，选择让大模型一步步思考查找，但速度慢得让人难以忍受。2026 年 10 月 26 日，研究人员在 arXiv 上发布了一篇论文，提出了一种名为 DecisionRAG 的新架构，直接把传统的向量检索器换成了决策模型。

像在图书馆找书一样逐层筛选

传统的检索要么靠关键词硬碰，要么在固定的向量空间里算相似度，经常找不到真正关联的内容。

DecisionRAG 的做法很像人类去图书馆查资料。它把庞大的语料库整理成结构清晰的层级树，从大分类、文章标题一路细分到具体段落。

更聪明的是，它不用像传统推理模型那样逐字生成思考过程。系统在单次前向传播中，让决策模型在共享上下文中对同级所有候选分支同时打分。

因为大家都在同一个上下文里对比，相关性判断变得更准，系统只要顺着分数最高的路径逐层往下钻就能找到目标。比起让普通大模型慢慢思考搜索，这种方式快了 30 多倍。

根据论文公布的测试数据，DecisionRAG 在横跨四个基准测试中的表现相当亮眼。

面对维基百科超过 268 万个段落的庞大资料库，它完成一次检索只需要 0.7 到 1.8 秒，单次查询的计算成本只有 0.2 到 2.3 美分。

在效果上，它甚至不需要针对具体任务做训练。在没有第一阶段检索器的情况下，DecisionRAG 的表现直接超过了密集检索加上 8B 参数重排器的传统组合。

在 MultiDoc2Dial 测试集上，它的 R@1 指标高出了 13.8 点；在 Natural Questions 测试集上，Hit@1 指标也高出了 17.4 点。

我们认为 DecisionRAG 最亮眼的地方，是它打破了过去检索和生成割裂的固有思维。

长期以来，行业都在「检索召回加重排」的套路里打转，哪怕把重排模型堆到 8B 甚至更大，只要前置召回漏了球，后排做得再好也是无用功。DecisionRAG 让预训练模型的能力直接接管检索路径，同时用打分代替吐字，把速度拉回了毫秒级别。

对企业和开发者来说，如果你的知识库本身就具备较好的目录树、章节或分类层级，这项技术很有吸引力。它能让你在不牺牲推理速度的前提下，换来接近精细推理的查找精度。

不过它的局限也很明显。这种方法高度依赖语料库固有的层级结构，如果面对完全碎片化、没有分类逻辑的杂乱文本，如何自动建构出高效的导航树，会是落地时最大的考验。