菠菜平台-十大菠菜平台

7 月 3 日，菠菜平台高瓴人工智能学院与腾讯天衍实验室相助完成的论文 "From Retrieval to Generation: Unifying External and Parametric Knowledge for Medical Question Answering" 荣获国际万维网大会（The ACM Web Conference，WWW）2026 最佳长文奖（Best Paper Award）。本届聚会会议共收到3370篇有效投稿，最终仅1篇论文获此殊荣。

论文第一作者为菠菜平台高瓴人工智能学院博士结业生李磊，通讯作者为周骁副教授与腾讯天衍实验室主任吴贤。

在知识密集型任务中，如作甚大语言模型提供有效的知识支撑，是提升回覆质量的要害。当前主流要领包罗检索增强生成（Retrieval-Augmented Generation，RAG）和生成增强生成（Generation-Augmented Generation，GAG）两类。前者通过检索外部知识提供事实依据，但容易受到检索噪声和知识缺失的影响；后者利用模型参数知识生成配景信息，更贴近问题语义，但可能发生幻觉和事实错误。

围绕这两类要领，已有研究主要聚焦于知识获取与知识生成历程的革新：提升 RAG 的检索准确性与笼罩度，淘汰要害证据遗漏；增强 GAG 的生成可靠性与针对性，降低模型幻觉。总体而言，这些事情推动了知识增强要领的生长，但其关注点仍主要集中在单一知识来源或局部环节的优化上。

针对这一局限，论文提出了一种新的知识增强范式。研究认为，回覆医学问题的要害，并非简朴地选择“检索知识”照旧“参数知识”，而是首先识别问题真正需要哪些知识，再组织差异来源知识协同推理。基于这一认识，论文将研究重点从“如何获取更多知识”转向“如何围绕问题需求组织知识”，提出了统一外部知识与参数知识的新范式。

为实现这一思路，论文提出了统一检索与生成的医学问答框架 MedRGAG。整个框架围绕问题的知识需求开展协同推理：首先，多源均衡证据检索建设事实基础；随后，知识引导的上下文补全模块分析已有证据中的知识缺口，并围绕缺口定向生成增补信息；最后，知识感知的文档选择模块从检索知识与生成知识中筛选最具支撑作用的证据组合。与传统要领简朴拼接检索结果和生成内容差异，MedRGAG使两类知识围绕同一问题协同事情，实现了知识获取、知识补全和证据组织的一体化。

图1:MedRGAG框架

实验结果讲明，MedRGAG 在五个果真医学问答基准上均取得显著提升。相较于直接作答要领 Direct Response、检索增强代表要领 MedRAG 和生成增强代表要领 MedGENIE，平均性能划分提升15.3%、12.5%和4.5%。进一步分析讲明，该要领能够在淘汰冗余上下文的同时保留要害证据，说明性能提升来自更有效的知识组织，而非简朴增加知识数量。

图 2：主实验结果

该研究讲明，大语言模型的可靠性不仅取决于知识获取能力，更取决于能否凭据具体问题需求组织和利用差异来源的知识。论文提出的统一检索与生成框架，为构建越发可信、可解释、可控的大语言模型知识增强系统提供了新的技术路径，并有望应用于医疗智能问答、专业领域智能助手等知识密集型场景。

在 WWW 2026 闭幕式颁奖环节，评审主席对该论文给予高度评价：“该论文为统一外部知识与参数化知识、提升医学问答可信性奠基了重要基础，这一偏向对于医学领域尤为重要；同时，该事情的意义并不局限于特定任务，也为其他相关领域研究提供了广泛启发。”评审主席还对论文陈诉给予充实肯定，并体现该论文获奖实至名归。

“A great paper that is really setting the foundation for how we can do this kind of unification and bring trust. This is very important for the medical domain. There are also quite a lot of things that can be taken from this work; it is not just specific to one task. The presentation was great and excellent. You totally deserve it.”

（聚会会议颁奖合影）

WWW（The ACM Web Conference，国际万维网大会）是互联网、搜索、数据挖掘与人工智能等领域历史悠久、最具国际影响力的顶级学术聚会会议之一，为中国盘算机学会（CCF）推荐 A 类聚会会议。最佳长文奖是大会最高论文奖项之一，用于表彰兼具原创性、学术孝敬与应用价值的突出结果。

论文链接：

https://dl.acm.org/doi/10.1145/3774904.3792691

arXiv：https://arxiv.org/abs/2510.18297

代码地址：

https://github.com/ll0ruc/MedRGAG

聚会会议获奖信息：

https://www2026.thewebconf.org