检索增强生成（RAG）系统在面对含糊不清的用户查询时，往往需要先向用户发起澄清追问。arXiv 于 2026 年 10 月 19 日提交的一篇新论文《A Small Model Asks Better: Fine-Tuning Query Clarification for Retrieval-Augmented Generation》（小模型问得更好：为检索增强生成微调查询澄清能力）系统性地研究了这一问题。论文由 Lihong He 等三位作者完成，归类于 cs.AI，编号 arXiv:2610.28686v1，DOI 为 10.48550/arXiv.2610.28686，全文及 HTML 实验版均已公开，并附有音频摘要。
研究的场景是多轮、有依据的对话式检索。作者指出，在这类场景中，用户查询的歧义来源并不单一：第一种是查询本身表述不完整或在上下文中有歧义；第二种更值得关注——查询本身语法完好，但把它放到检索到的文档面前时，存在多个同样合理的解释。任务因此包含两个步骤：先识别出这两类需要澄清的情形，再生成一条恰当的澄清请求反馈给用户。
为支撑这一任务，作者构建了新数据集 ClariEdge，规模约 3,900 条样本。数据集不仅包含上述歧义查询，还特意纳入了无需澄清的负样本。研究的一个核心发现是：难负样本（hard negatives）是必不可少的成分，只有借助它们，模型才能把真正存在歧义的查询与“看似有歧义、实则可由上下文消解”的查询区分开来。缺少这类负样本，分类器容易把本可自行解决的查询误判为需要追问。
在方法上，作者没有依赖超大模型，而是微调了一个轻量级的 LoRA 适配器。实验结果显示，该微调模型在分类任务上达到 96.6% 的准确率，并在分类效果与澄清生成质量两方面都超过了多个更大模型的提示（prompted）基线。这印证了标题的判断：在澄清追问这件事上，小模型可以问得更好。
另一个具有工程价值的结论是，同一个 LoRA 在检索前（pre-retrieval）与检索后（post-retrieval）两种场景下均表现良好，因此可以在 RAG 流水线中用于两个位置，作为答案生成之前的检查环节。作者已公开 ClariEdge 数据集，地址为 https://huggingface.co/datasets/ibm-research/ClariEdge，供社区复现与进一步研究。