WWW 2026 唯一最佳长文｜大模型该信「查到的」还是「记得的」？｜GAIR Paper 110

MEDRGAG 框架通过"检索-补全-选择"的知识组织流程，融合外部检索与内部参数知识，破解了医疗问答“检索缺失与生成幻觉”的二元对立。 作者丨张 璐 编辑丨齐铖湧 The ACM Web Conference 2026（WWW 2026）在线上闭幕式上揭晓本届 Best Paper Awards。其中，唯一最佳长文奖授予了一篇看起来很「垂直」的工作：一篇关于医学问答的论文。https://arxiv.org/abs/2510.18297https://github.com/ll0ruc/MedRGAG一篇医学 QA 论文，凭什么在面向 Web、搜索、数据挖掘与 AI 的通用舞台上拿到最佳长文？答案恰恰在于，它讨论的不是一个只属于医学的问题：当外部检索不完整、模型记忆不可靠，二者又可能相互冲突时，问题并不是简单地「信谁」，而是大模型到底该如何围绕问题需求组织知识。在医学场景里，这个问题会被放大到极致：检索少一条关键证据，模型可能无法排除干扰诊断；生成多一句不实背景知识，又可能把推理带向错误方向。也正因如此，医学 QA 成了检验大模型能否可靠组织知识的高压考场。这项工作由中国人民大学高瓴人工智能学院与腾讯天衍实验室合作完成。论文第一作者李磊为中国人民大学高瓴人工智能学院博士毕业生，通讯作者为中国人民大学高瓴人工智能学院周骁副教授与腾讯天衍实验室主任吴贤。论文提出了 MedRGAG：一个统一检索与生成的医学问答范式。雷峰网AI科技评论编辑专访了本文作者，发现他的思路是「知识需求驱动」——不先问「检索还是生成」，而是先问「回答这个问题还缺什么知识」。01信「查到的」，还是信「记得的」？给大模型补知识，主流上有两条路：RAG（Retrieval-Augmented Generation）让模型去外部世界查资料，GAG（Generation-Augmented Generation）让模型调动参数里「记住」的知识。RAG 走「先查再答」，让答案更有据可依，也能压制幻觉；但一旦检索漏掉关键证据，阅读器就只能基于不完整材料作答。GAG 走「先生成再答」，生成内容天然贴题；但一旦生成背景本身不准，幻觉就会以「证据」的形式进入下游回答。过去也有工作尝试把检索文档和生成文档结合起来，但重点多放在如何融合两类材料、缓解知识冲突上。MedRGAG 进一步追问的是：这些材料是否真的覆盖了答案所需的知识？问题不只是「该信检索还是该信生成」，更是「回答这个问题到底需要哪些知识」。这也是 MedRGAG 与标准 RAG、GAG 范式的根本区别。图1：标准 RAG、GAG 与 MedRGAG 的范式对比　02换个问法：不是「信谁」，而是「需要什么知识」MedRGAG 不再纠结检索和生成谁更可靠，而是从「回答一个问题需要哪些知识」出发，把检索、生成与选择组织成一种查漏补缺式知识增强：检索先提供外部事实锚点，生成再围绕缺口补充背景，最后筛出真正能支撑答案的证据组合。于是，「先查再答」或「先生成再答」被重新组织成一种新的回答路径——「先检索、再补全、再作答」。这里的重点不是多加一步生成，而是让检索、生成、选择围绕答案所需的知识依次展开。MedRGAG 做的不是把检索和生成简单叠加，而是让多源检索、缺口补全和证据选择围绕同一份问题需求协同工作。 在第一阶段，MedRGAG 先从多源医学语料中进行均衡检索，获得更全面的初始证据池。随后，框架通过两个核心模块 KGCC 与 KADS，分别解决「缺什么知识」和「选什么证据」两个问题。图2：MedRGAG 框架　▎KGCC：先看检索缺了什么，再定向生成KGCC（Knowledge-Guided Context Completion，知识引导的上下文补全）解决的是「生成什么」：普通 GAG 往往直接围绕问题生成参考资料，而 KGCC 会先总结检索证据，再判断回答还缺哪些关键信息。具体来说，它分三步：1.总结：把每篇检索文档压缩成与问题相关的知识点，无关文档则标注为「无有用信息」；2.找缺口：追问「要彻底回答该问题，还缺哪些关键知识」，找出最重要、且彼此不重复的缺失点；3.补全：围绕缺口逐条生成背景文档，有针对性地补全检索没覆盖的部分。这样一来，生成不再是自由发挥，而是被明确目标牵引：既贴题，也尽量避免与已有证据重复。生成不是为了替代检索，而是为了补上检索暴露出来的空白。但补全缺失知识之后，任务并没有结束：候选知识变多了，模型更需要知道哪些该留下。▎KADS：把文档选择变成「证据拼图」检索来 N 篇，生成再补 N 篇，如果把 2N 篇文档一股脑全塞给阅读器，只会增加噪声和上下文负担。KADS（Knowledge-Aware Document Selection，知识感知的文档选择）要做的，是把文档选择变成一次「证据拼图」：从候选材料中拼出一组覆盖更完整、冗余更少的证据。它先拆解回答问题需要哪些知识块，再看每篇候选文档补上了哪一块。换句话说，KADS 不是在选「最像问题」的相似文档，而是在选「最能拼出答案」的证据组合。真正有用的证据，不一定最像问题，但一定能补上推理所需的知识。03当「最像问题」的文档，挤掉了真正有用的证据当检索证据与生成证据共同进入候选池时，普通 reranker 或相似度排序往往更偏向表面相似的文本，却可能忽略真正支撑医学推理的关键信息。生成文档本来就是围绕问题写出来的，更贴题，也更容易拿到高相似度分数；但有些检索证据虽然不那么「像问题」，却可能包含关键事实。这也是 KADS 的意义：它不问「哪篇文档最像问题」，而是问「哪几篇文档合起来能覆盖答案所需的知识」。下图展示了不同选择策略下的准确率，以及最终保留的检索文档占比。BGE、MedCPT 等 reranker 更容易保留生成文档，而 MedRGAG 能重新保留那些低相似度但有信息量的检索证据。图3：不同证据选择策略的效果对比：（a）准确率；（b）最终保留的检索文档占比更值得注意的是，KADS 精选出的 5 篇文档，准确率可以打平、甚至超过把 10 篇候选文档全部塞进去的 Merge All。更多上下文不等于更好的答案。真正重要的，是把对的证据留给模型。043 个模型、5 个基准：知识需求驱动带来稳定提升值得注意的是，MedRGAG 的提升并不是靠重新训练医学大模型。论文中的「阅读器」包括 Qwen2.5-7B、LLaMA-3.1-8B、Ministral-8B；生成、总结、找缺口、选择等环节也主要由通用模型完成。也就是说，MedRGAG 无需训练、即插即用，提升来自更合理地生成知识、组织知识。在五个医学问答基准（MedQA-US、MedMCQA、MMLU-Med、PubMedQA、BioASQ-Y/N）和三种阅读器上，MedRGAG 都接受了检验。结果如下：图4：主实验结果MedRGAG 在大多数「数据集 × 阅读器」组合上取得最优或接近最优表现，并在平均结果上位居第一。汇总来看：相比检索代表方法 MedRAG，平均相对提升约 12.5%；相比生成代表方法 MedGENIE，提升约 4.5%；相比不给外部知识的直接作答，提升约 15.3%。这意味着，MedRGAG 并不是只在检索或生成某一条线上做小修小补，而是在两类代表方法之上都取得了提升。05一个案例：模型如何「查漏、补缺、排雷」具体到一个真实病例，MedRGAG 的「查漏、补缺、排雷」会怎样发生？论文给出的案例是：一位携带 NF2 突变的患者，被问到其患哪类疾病的风险升高。图5：NF2 案例分析检索文档并非无用。它提供了关键事实：NF2 与 22 号染色体上的基因突变有关，也提到 NF2 患者易发脑膜瘤。生成文档补上了两条关键线索：一是 NF2 的典型肿瘤谱系，二是把 NF2 和 VHL 综合征区分开。最终，MedRGAG 从候选材料中精选出一篇检索文档和两篇生成文档，帮助模型给出正确答案 B. 脑膜瘤。这个案例里，检索给出事实锚点，生成补上鉴别知识，KADS 则把这些证据组合起来。查漏、补缺、排雷，最终都服务于同一个目标：把回答所需的知识组织完整。06从「拥有知识」到「会用知识」回头看，很多 RAG 和 GAG 相关改进都在追求两件事：把检索做得更准，把生成做得更真。MedRGAG 的不同，在于它没有继续在这两端之间「选边」，而是换了个问题：回答一个问题，到底需要哪些知识？也正是这个问题，让一篇看似垂直的医学 QA 论文，触及了知识增强系统更普遍的难题。所以，问题也许不是大模型该信「查到的」还是「记得的」，而是它能否判断：查到的还缺什么，记得的能补什么，最后该把哪些证据组织起来。从这个意义上看，MedRGAG 讨论的不只是医学问答，也不只是 RAG 的一种改进，而是大模型走向可信应用时必须回答的基本问题：如何把「拥有的知识」组织成「可靠的判断依据」。07对话作者Q&A雷峰网AI科技评论团队与论文一作李磊进行了一次对话，聊了聊论文背后的一些思考。▎Q 大家都在卷「把检索库做大」，你们是怎么注意到排序器对大模型生成内容有「自恋偏好」这件事的？A 这个现象在之前一些研究里已有所体现：当检索文档和生成文档同时进入候选池时，常规排序器往往会更偏向于大模型生成的文档，我们在实验后期也进一步验证了这一点。既然普通的排序器解决不了这个问题，我们就提出了基于知识需求驱动的文档选择方法，从知识覆盖度而不是相似度去做筛选。▎Q