検索拡張言語モデルは、検索されたコンテキストとモデル自身が持つパラメトリック知識という二つの情報源から回答を生成する。コンテキストが不完全だったり誤っていたりすると、両者はしばしば衝突する。既存手法はこの衝突を、設計時に固定されたルールで処理してきた。コンテキストに従う、コンテキストがモデル出力をどれだけ動かしたかに比例して重みを増す、あるいはモデルの記憶を信頼する、といったルールである。論文は、どの固定ルールも特定の運用環境では自信を持って間違えると指摘する。たとえば検索ノイズが多い環境でコンテキストを無条件に信頼すれば誤りが混入し、逆にコンテキストが概ね信頼できる状況で記憶だけに頼れば外部情報を無駄にする。
著者らは二源の決定理論モデルを構築し、重要な結論を導く。任意の固定ルールのスコアは、信頼できるコンテキストの割合に対して線形に変化するのに対し、理論上達成可能な最適スコアは凸関数である。したがって固定ルールは、ちょうど最適な状態でない限り、どこかの混合比で必ず敗北する。さらに、適応デコードが利用する二源間の対称なダイバージェンスは、どちらの情報源が正しいかを示す情報を含まない。衝突を真に解決するには、既存手法が同時に保持していない二つの入力が必要となる。一つは各情報源を別々に評価した証拠、もう一つはコンテキストが正しい頻度に関する事前分布である。
この主張を検証するため、研究チームはGRACEベンチマークを用いた。GRACEは固定された質問に対し知識グラフのコンテキストを介入操作するため、モデルが何を知っているか、コンテキストが何を述べているか、そして何が真実かを別々に測定できる。このベンチマーク上で、四つの手法ファミリーに属するベースラインはいずれも、正しいコンテキストか誤ったコンテキストのどちらかでしか強くなく、両方で強くなることはなかった。これは固定ルールの構造的な限界を裏付けている。
そこで著者らは二つの入力を備えたシステムを構築した。モデルは自身の知識を「ノート」として表明し、小型のポリシーが各ノートに較正された信頼度を付与する。リーダーは二つの「声」で回答し、選択器は事前πの下で回答を採用するか棄権するかを決める。この際、事前πは正確な事前シフトとして適用される。πを真の正コンテキスト割合に設定すると、システムはGRACEのあらゆるコンテキスト混合比で最高ベースラインを上回り、最大26ポイントの差をつけた。Qwen3.5-35B-A3BとLlama-3.1-8Bの二つのバックボーンで、総合スコアはそれぞれ45.3と35.0となり、最高ベースラインの29.4と27.5を大きく超えた。
事前登録されたClashEval評価では、同一バックボーンを用いるCK-PLUGとTCRをそれぞれ12ポイント、26ポイント上回った。注目すべきは、モデル自身に知識がない場合にはこれらの利得が消える点である。これは決定理論モデルが予測する境界条件そのものであり、情報源に関する証拠が欠けていれば、どれほど正確な事前分布でも情報を生み出せないことを意味する。論文は全49ページ、本文9ページに加えて付録と補足資料を含み、14枚の図を備えており、人工知能と計算言語学の交差領域に位置する研究である。