医療質問応答のような高リスクな場面では、事実誤認が深刻な結果を招く可能性がある。そのため、検索拡張生成（RAG）は有望な解決策として広く考えられており、以前の研究では大規模な医療QAモデルに対して大幅な性能向上が報告されていた。しかし、新たな論文がこの仮定を再検討し、異なる結論を導いている。
この研究はErfan Nourbakhshらによって行われ、ACL 2026のBioNLPワークショップに採択された。研究チームは、70億から720億のパラメータを持つ幅広いオープンウェイトの指示微調整モデルを対象に実験を行った。実験設計は5つのモデル、10の生物医学QAデータセット、4つの検索方法、4つの検索コーパスを網羅し、大規模な評価マトリックスを構成している。
中心的な発見は、検索なしのベースラインと比較して、検索による改善はごくわずかであり、通常は1〜2ポイントの範囲にとどまることだ。しかも、この改善は安定しておらず、設定によって一貫性を欠く。この結果は、以前の文献で報告された大幅な向上とは対照的であり、生物医学分野におけるRAGの実際の効果が過大評価されている可能性を示唆している。
さらに分析を進めると、モデルのバックボーンの選択が最終的な性能に与える影響は、検索器や検索コーパスの選択よりもはるかに大きいことが明らかになった。言い換えれば、検索戦略を綿密に設計するよりも、より強力な基盤モデルに交換する方が質問応答の精度を向上させる効果が高い。また、専門家レベルの検索ソース（医学文献など）と一般レベルの検索ソース（一般的なウェブページなど）は、ほとんどの実験設定で同様のパフォーマンスを示し、「高品質な専門コーパスが必ずしも良い結果をもたらす」という直感に挑戦している。
著者らは、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利用する能力の限界にあると結論付けている。関連する文書が提供されたとしても、モデルが情報を正しく抽出し統合して回答できるとは限らない。この発見は医療RAGシステムの開発に重要な示唆を与える。検索コンポーネントの最適化だけでは効果が限定的である可能性があり、今後はモデルが検索内容を推論し利用する能力の向上に、より多くの注意を払う必要がある。
論文番号はarXiv:2606.04127で、計算と言語（cs.CL）分野に属し、全文は9ページで、2026年6月2日に提出された。