【2026 AAAI】LIR3AG: A Lightweight Rerank Reasoning Strategy Framework for Retrieval-Augmented Generat

paper: https://arxiv.org/pdf/2512.18329
code: https://github.com/WinstonCHEN1/LiR3AG/

核心问题

致力于解决在多跳问答（Multi-hop QA）任务中，如何在保持高性能的同时，降低推理模型（Reasoning Models）在RAG系统中的计算开销（Token消耗和推理延迟）。

• 背景：引入推理模型（如OpenAI o1, DeepSeek-R1）能显著提升RAG在复杂多跳问题上的表现，因为它们能处理碎片化证据并进行逻辑推理 。
• 痛点：推理模型在生成过程中会产生大量的中间思维步骤（Chain-of-Thought），导致极高的Token消耗和推理延迟，且有时会产生冗余的推理 。

核心思想

核心思想是将推理模型的有效策略“迁移”给非推理模型（Non-reasoning Models），通过结构化的方法显式地构建推理链，从而在不依赖昂贵推理模型的情况下实现类似的逻辑推理能力 。

• 策略分析：作者首先分析了推理模型在RAG中的行为，发现主要有两种策略 ：