DaPT框架通过创新的双路径并行推理机制，成功解决了多语言多跳问答中的核心挑战。它不仅构建了首个系统的多语言多跳问答评估基准，还提出了一种能有效利用LLM英文理解能力同时保留源语言语义的实用方法。

检索增强生成（RAG）技术在处理英文多跳问答上已取得显著进展，但在真实世界的应用中，我们常常需要处理跨语言的查询和文档。这就暴露了当前RAG系统的两大痛点：

缺乏评估基准：没有标准的多语言多跳问答数据集来系统评估模型性能。过度依赖英文理解：现有方法严重依赖LLM强大的英文语义理解能力，在跨语言场景中效果大打折扣。

针对这些问题，本文提出了DaPT（Dual-Path Framework），一个创新的多语言RAG框架，并配套构建了包含五种语言的多语言多跳问答数据集。

DaPT框架核心思想

DaPT的核心创新在于同时利用源语言和英语进行并行推理，然后融合两条路径的子问题图，形成更强大的双语推理结构。整个框架可分为三个主要阶段：

图片

阶段一：并行规划

输入：源语言查询（如中文）及其英文翻译过程：分别将两个版本的查询分解成子问题图（每个节点是一个单跳问题，边表示依赖关系）输出：两个独立的子问题图：源语言图（Gₗ）和英文图（Gₑₙ）

阶段二：节点融合

这是DaPT最巧妙的部分。通过以下步骤将两个子问题图融合：

识别关键节点：计算两个图中所有节点对的嵌入相似度，找到相似度最高的节点对设置阈值：只有相似度超过预设阈值（τ=0.8）的节点对才会被融合融合操作：将英文节点整合到源语言节点中，形成双语节点，并重定向所有边拓扑排序：对融合后的图进行排序，确定子问题的解决顺序

阶段三：双语检索与回答

按照拓扑排序顺序逐步解决子问题：

动态查询构建：将前一个子问题的答案与当前子问题结合，形成新的检索查询双语检索：对于双语节点，同时从源语言和英文语料库中检索答案验证与选择：使用轻量级LLM验证两个候选答案的一致性，优先选择源语言答案自纠正机制：如果验证失败，则重新生成答案

实验结果

论文在三个主流多跳问答数据集（HotpotQA、2WikiMultiHopQA、MuSiQue）上进行了全面评估，结果显示：

主要发现

现有RAG系统存在严重的语言不平衡：HippoRAG2在英文上表现优异（EM得分54.0），但在泰语等低资源语言上性能大幅下降（下降59.8%）DaPT显著提升多语言性能：相比最强基线HippoRAG2，DaPT在HotpotQA上平均提升6.8%，在更具挑战性的MuSiQue上提升15.5%

性能对比表格

注：表格展示的是各方法在所有语言上的平均EM得分

图片

消融研究

通过移除DaPT的不同组件，验证了各部分的必要性：

移除分解阶段：性能下降16.2%，证明子问题分解至关重要移除融合阶段：性能下降1.9%，说明节点融合虽提升有限但仍有价值简单翻译方案：性能下降3.2%，证明DaPT比简单的"翻译-检索-翻译回"策略更有效

图片

总结

DaPT框架通过创新的双路径并行推理机制，成功解决了多语言多跳问答中的核心挑战。它不仅构建了首个系统的多语言多跳问答评估基准，还提出了一种能有效利用LLM英文理解能力同时保留源语言语义的实用方法。

DAPT: A DUAL-PATH FRAMEWORK FOR MULTILINGUAL MULTI-HOP QUESTION ANSWERINGhttps://arxiv.org/pdf/2603.19097https://github.com/f6ster/DaPT

热门推荐