檢索增強生成（RAG）系統在面對含糊不清的使用者查詢時，往往需要先向使用者發起澄清追問。arXiv 於 2026 年 10 月 19 日提交的一篇新論文《A Small Model Asks Better: Fine-Tuning Query Clarification for Retrieval-Augmented Generation》（小模型問得更好：為檢索增強生成微調查詢澄清能力）系統性地研究了這一問題。論文由 Lihong He 等三位作者完成，歸類於 cs.AI，編號 arXiv:2610.28686v1，DOI 為 10.48550/arXiv.2610.28686，全文及 HTML 實驗版均已公開，並附有音訊摘要。
研究的場景是多輪、有依據的對話式檢索。作者指出，在這類場景中，使用者查詢的歧義來源並不單一：第一種是查詢本身表述不完整或在上下文中有歧義；第二種更值得關注——查詢本身語法完好，但把它放到檢索到的文件面前時，存在多個同樣合理的解釋。任務因此包含兩個步驟：先識別出這兩類需要澄清的情形，再生成一條恰當的澄清請求反饋給使用者。
為支撐這一任務，作者構建了新資料集 ClariEdge，規模約 3,900 條樣本。資料集不僅包含上述歧義查詢，還特意納入了無需澄清的負樣本。研究的一個核心發現是：難負樣本（hard negatives）是必不可少的成分，只有藉助它們，模型才能把真正存在歧義的查詢與“看似有歧義、實則可由上下文消解”的查詢區分開來。缺少這類負樣本，分類器容易把本可自行解決的查詢誤判為需要追問。
在方法上，作者沒有依賴超大模型，而是微調了一個輕量級的 LoRA 介面卡。實驗結果顯示，該微調模型在分類任務上達到 96.6% 的準確率，並在分類效果與澄清生成質量兩方面都超過了多個更大模型的提示（prompted）基線。這印證了標題的判斷：在澄清追問這件事上，小模型可以問得更好。
另一個具有工程價值的結論是，同一個 LoRA 在檢索前（pre-retrieval）與檢索後（post-retrieval）兩種場景下均表現良好，因此可以在 RAG 流水線中用於兩個位置，作為答案生成之前的檢查環節。作者已公開 ClariEdge 資料集，地址為 https://huggingface.co/datasets/ibm-research/ClariEdge，供社群復現與進一步研究。