ReFilter：通过门控滤波器提升检索增强生成的鲁棒性

检索增强生成（RAG）已成为在知识密集型问答任务中结合外部证据与大语言模型（LLMs）的主要范式。现有方法在融合检索样本时存在局限，尤其当检索候选数量增加时，容易引入无关或冗余内容并提高推理成本。为此，本文提出ReFilter，一种基于潜在特征的新型融合框架，实现令牌级过滤与融合。该框架包含三个核心组件：用于编码上下文特征的上下文编码器、用于加权每个令牌的门控滤波器，以及将加权令牌特征整合到LLM隐藏状态中的令牌融合模块。实验结果表明，在四个通用领域问答基准测试中，ReFilter在域内适配和域外迁移下均取得最佳平均性能，并且在五个生物医学问答基准测试中无需领域微调即可达到70.01%的平均准确率。