LLM

這篇文章是四篇技術解析系列的入口，包含完整的論文對比框架與工程實踐建議。如果想把這些技術真正用在工作上，歡迎繼續讀下去，並點開各篇連結。 一個讓人好奇的問題 # 有沒有想過，公司現在跑的 RAG 系統，在「真實文件」上的準確率是多少？ 指的不是乾淨的 Wikipedia 段落，也不是精心挑選的 benchmark，是企業實際業務文件：財務年報、法規手冊、技術規格書、會議記錄。這些文件通常同時包含大量文字敘述、多層次的表格、過時的數據，以及時間敏感的政策資訊。 我最近閱讀了四篇 2025–2026 年發表的頂尖 RAG 論文，得到了一個有點驚訝的答案。 傳統 RAG 在真實異質文件上的 HiT@1，可以低到 1.59%。 這不是劣質系統。這是企業通用的標準向量搜尋方法，套用在包含層級表格的真實文件上的表現。 這四篇論文，從四個不同維度回答了「為什麼會這樣」，以及「我們應該怎麼做」： 論文 核心問題 解法方向 TableRAG（Huawei Cloud, arXiv 2506.10380） 表格被拍扁後，跨列計算完全失準 讓資料庫直接計算，取代 LLM 語意猜測 MixRAG（BIT/Zhejiang, KDD 2026） 層級表格的行列語意在向量化時消失 H-RCL 層級表示法保留結構路徑 UniversalRAG（KAIST, arXiv 2504.20734） 不同模態強迫共享 Embedding 空間導致偏差 模態感知路由 + 粒度動態選擇 MRAG（NTU/NYU, arXiv 2412.15540） 日期匹配不等於時間推理，現有系統幾乎不懂 語意分數 × 時序計分規則的混合排名 這篇文章是這四篇RAG系列的入口，主要是為了先建立一個全局視野：Advanced RAG 到底在解決什麼問題，這四篇論文各自站在哪個位置，它們合在一起說了什麼。