当检索不起作用时：生物医学RAG的大规模研究
一项大规模研究表明，在生物医学问答中，检索增强生成（RAG）带来的提升很小且不稳定，通常仅为1-2个百分点。骨干模型的选择比检索器或语料库的选择影响更大，专家和普通检索来源表现相似。
一篇即将在ACL 2026 BioNLP Workshop上展示的大规模研究对检索增强生成（RAG）在生物医学问答（QA）中的实际效果进行了全面再评估。该研究由Erfan Nourbakhsh等人完成，他们系统性地测试了五个开源指令微调模型，参数规模从7B到72B不等，涵盖了十个生物医学QA数据集、四种检索方法以及四个检索语料库。研究团队发现，与不使用检索的基线相比，RAG带来的平均性能提升仅为1到2个百分点，且这种提升在不同设置下并不一致，有时甚至完全消失。相比之下，骨干模型的选择对最终性能的影响远大于检索器或语料库的选择；无论是使用专家编写的医学文献（如PubMed）还是普通大众可及的维基百科作为检索来源，在大多数测试场景中效果相差无几。研究者指出，当前的主要瓶颈并非检索质量本身，而是模型无法有效利用检索到的证据内容。这一发现直接挑战了此前许多研究中声称RAG能显著增强医疗问答系统性能的普遍假设。论文强调，未来的研究应更多关注如何提升模型整合和推理外部信息的能力，而非单纯改进检索模块。该论文于2026年6月2日提交至arXiv（编号2606.04127），全文共9页，已被ACL 2026 BioNLP Workshop正式接收。这项研究对高风险的医疗问答应用场景具有重要启示：在部署RAG系统前，需谨慎评估骨干模型本身的能力，而非盲目依赖检索带来的增益。