医学问答属于高风险应用场景，一旦出现事实性错误，可能带来严重后果。正因如此，检索增强生成（RAG）长期被视为一种有前景的解决方案，此前也有研究为大模型在医学问答上的表现报告了明显提升。然而，一篇新近提交的论文对这一普遍假设提出了质疑。该论文题为《When Retrieval Doesn't Help: A Large-Scale Study of Biomedical RAG》，由Erfan Nourbakhsh与另外两位作者合作完成，于2026年6月2日提交至arXiv，编号为arXiv:2606.04127，归类于计算与语言（cs.CL），并被ACL 2026的BioNLP研讨会接收，全文共9页。
研究团队在参数规模从70亿到720亿的一系列开源权重、经过指令微调的模型上重新检验了上述假设。其实验范围相当广泛，覆盖五个模型、十个生物医学问答数据集、四种检索方法以及四个检索语料库。在这一大规模组合下，研究者发现，与完全不使用检索的基线相比，检索带来的提升幅度很小，且并不稳定，通常仅在1到2个百分点之内。这与先前文献中针对大型医学问答模型所报告的大幅收益形成了鲜明对比。
另一个值得注意的发现是各因素相对重要性的差异。研究表明，主干模型的选择对最终效果的影响远大于检索器或语料库的选择。换言之，换用更强的模型所带来的性能变化，要显著超过更换检索方法或检索来源所带来的变化。此外，在大多数实验设置中，使用专家级来源的检索语料与使用面向普通人的通俗来源，表现大致相当，并未出现专家语料明显占优的情况。
基于这些结果，作者给出了一个关键判断：当前的主要瓶颈并不仅仅在于检索质量本身，而更在于模型有效利用所检索证据的能力有限。即使检索系统能够返回相关材料，模型也未必能充分理解并将其用于生成正确答案。这一结论对生物医学RAG的研究方向具有提示意义，说明未来工作或许需要更多关注如何提升模型对检索证据的整合与推理能力，而非仅仅优化检索环节。
需要注意的是，该研究聚焦于开源权重、经过指令微调的模型，实验结论建立在上述模型规模、数据集与检索配置的组合之上。论文同时提供了PDF、实验性HTML以及TeX源码等多种访问形式，其DOI通过DataCite发布，尚待注册。总体而言，这项大规模研究为医学问答中RAG的实际收益提供了一个更为审慎的经验参照。