検索が役に立たないとき：生物医学RAGの大規模研究
大規模研究により、生物医学質問応答において検索拡張生成（RAG）は小さく不安定な改善（1〜2ポイント）しかもたらさないことが判明。バックボーンモデルの選択が検索器やコーパスの選択よりもはるかに重要であり、専門家と一般の検索ソースはほとんどの設定で同様のパフォーマンスを示す。
ACL 2026のBioNLP Workshopで発表される大規模研究が、生物医学質問応答（QA）における検索拡張生成（RAG）の実効性を徹底的に再評価した。研究チーム（Erfan Nourbakhshら）は、7Bから72Bパラメータの5つのオープンウェイト命令チューニングモデル、10の生物医学QAデータセット、4つの検索手法、4つの検索コーパスを用いて実験を行った。その結果、検索なしのベースラインと比較して、RAGは平均1〜2ポイントの小さな改善しか示さず、その改善は不安定で、設定によっては全く見られない場合もあった。対照的に、バックボーンモデルの選択が性能に最も大きな影響を与え、検索器やコーパスの選択による差は限定的だった。また、専門家向けの医学文献（PubMedなど）と一般向けのウィキペディアを検索ソースとして比較したところ、ほとんどの状況で同程度の性能を示した。研究者らは、現在の主なボトルネックは検索品質そのものではなく、モデルが検索された証拠を効果的に活用できない点にあると指摘する。この発見は、RAGが医療QAの性能を大幅に向上させるという従来の前提に疑問を投げかけ、今後の研究は検索モジュールの改良よりも、モデルが外部情報を統合し推論する能力の向上に注力すべきであることを示唆している。本論文は2026年6月2日にarXivに投稿され（ID: 2606.04127）、全9ページでACL 2026 BioNLP Workshopに採択された。この結果は、リスクの高い医療質問応答システムにおいて、RAGを導入する前にバックボーンモデル自体の能力を慎重に評価する必要があることを強く示唆している。