清华等团队让RAG性能提升20%清华等团队发布DeepNote深度笔记
清华、中科大等团队，发布了DeepNote深度笔记，让RAG性能暴增20%。
这是一种全新的适应式RAG方法，首次引入“笔记”作为知识载体，使知识探索更深入。
在所有任务上，DeepNote比主流RAG方法性能提升高达20.1%，即使在中小参数模型下也能强力泛化。
传统RAG方法只支持一次性检索，面对复杂推理任务力有未逮。
多轮检索虽能缓解问题，但会引入大量无关噪声，降低回答质量。
自适应RAG虽然引入动态决策，但仍面临检索生成耦合过紧、检索策略决策不足等痛点，缺乏真正的信息生长能力。
而DeepNote围绕“笔记”展开知识积累，核心包含三个阶段：
- 笔记初始化：初始问题和首次检索内容生成笔记，作为后续依据。
- 基于笔记的适应式检索：判断新信息是否有价值，有就更新笔记，否则终止检索。
- 基于最佳笔记生成答案：用积累的知识统一作答，保证逻辑连贯、来源清晰。
这种设计，能模拟人类查阅笔记、逐步解决问题的过程。
而且该方法是目前唯一同时在自适应检索控制、知识积累更新、模型优化三大维度实现突破的方法，彻底打破传统“一问一答”的局限。
实验结果方面，在HotpotQA、2WikiMQA、MusiQue、ASQA、StrategyQA等五大数据集上，DeepNote在所有任务中全面超越现有方法，整体性能提升显著。
同时，团队构建了DNAlign数据集，并结合DPO优化技术，进一步提升模型指令遵循能力。详情请见文章：
