大型语言模型（LLM）在众多任务上表现亮眼，但幻觉问题始终未能根除，在长文本生成场景下尤为突出。冗余的检索上下文与冗长的推理链会放大事实性错误，使得模型在生成较长内容时更容易偏离事实。近期研究揭示了一个关键现象：关键信息与模型输出之间的距离越近，事实准确率就越高。然而，现有的检索增强语言模型（RALM）缺乏有效机制来保证这种“邻近性”——外部证据虽通过多轮检索被注入推理过程，却无法确保关键信息在最终输出时仍紧邻生成位置。针对这一空白，来自 Yujie Feng 等十位作者的研究提出了 Micro-Macro Retrieval（M2R），一种“边生成边检索”的新框架。
M2R 的核心设计分为宏观与微观两个层次。在宏观层面，M2R 从外部来源检索粗粒度的证据，为模型提供背景性、范围较广的知识支撑；在微观层面，它则从推理过程中构建的关键信息仓库里提取核心结果，并在生成答案时加以复用。这种双层次结构直接针对“关键信息—输出邻近性”这一瓶颈，从而在长文本任务中有效降低幻觉的发生。
为了让模型稳定掌握检索与事实落地（grounding）这两项技能，研究团队采用基于课程学习的强化学习策略进行训练，并配合定制化的规则奖励。课程学习的设计使模型能够循序渐进地习得能力，而规则化奖励则为训练提供了明确、可控的优化信号，避免训练过程出现不稳定。
该论文于 2026 年 4 月 10 日提交至 arXiv，编号为 arXiv:2605.28828v1，属于计算与语言（cs.CL）方向，并交叉涉及人工智能（cs.AI）。论文全文约 2,050 KB，提供了 PDF、实验性 HTML 以及 TeX 源码等多种访问形式，并附带 DOI（10.48550/arXiv.2605.28828）。作者方还在 arXiv 页面上提供了代码、数据与媒体相关工具的链接入口。
在实验方面，论文在多个不同基准上进行了评估，结果验证了 M2R 的有效性，尤其在长上下文设置下优势更为明显。这一结果表明，通过在生成过程中动态维护并复用关键信息，模型能够在面对大量上下文时更好地保持事实一致性。
从更广的意义上看，M2R 所回应的正是检索增强生成领域的一个核心难题：检索到的证据如何真正影响最终输出，而不是在漫长的推理链中被稀释或遗忘。宏观检索保证了证据来源的广度，微观复用则保证了关键结论在输出阶段的“在场”。二者结合，为长文本生成中的幻觉抑制提供了一条可训练、可评估的技术路径，也为后续在更长上下文、更复杂推理任务上的研究提供了参考。