当检索增强生成（RAG）技术在事实性问答、专业领域辅助等场景逐渐显露词汇匹配局限时，来自北京航空航天大学、北京大学和中关村实验室的研究团队在 2025 年 ACL 会议上提出的 DRAG（Lexical Diversity-aware RAG）框架，为大模型准确性提升带来了革命性突破。该技术通过创新性的双模块设计，首次将词汇多样性纳入 RAG 的检索与生成全流程，在多类基准测试中准确率提升最高达 10.6%，标志着大模型从 "表面文字匹配" 向 "深度语义理解" 的跨越。
RAG 技术自诞生以来，凭借 "检索外部知识增强生成" 的核心逻辑，成为解决大模型事实性错误和时效性不足的主流方案。然而，传统 RAG 在处理人类语言复杂性时存在致命缺陷 ——
单一化的词汇匹配机制无法应对词汇多样性挑战。例如，当用户询问 "Hattie McDaniel 的 occupation" 时，不同文档可能使用 "profession""actress"等同义表达，或补充" 首位黑人奥斯卡获奖者 "等关联信息，传统 RAG 要么因严格匹配遗漏关键内容，要么因模糊判断引入无关文档，导致" 假阳性 "和" 假阴性 " 问题频发。DRAG 技术的核心创新在于
建立词汇多样性感知机制，从检索和生成两个维度双管齐下解决上述痛点。研究团队发现，人类语言中的词汇可分为三类：不变词（如人名、地名）、可变词（如职业、病症的不同表述）和补充词（如描述性修饰语）。基于这一分类，DRAG 构建了差异化处理框架，既保证关键信息的精确匹配，又保留语义理解的灵活性，实现了 "精准检索 - 可控生成" 的闭环优化。DRAG 框架的卓越性能源于 Diversity-sensitive Relevance Analyzer（DRA）和 Risk-guided Sparse Calibration（RSC）两个核心模块的深度协同，形成了覆盖 "检索 - 生成" 全流程的智能调控机制。
1. DRA 模块：重构检索相关性评估体系
传统 RAG 的检索环节采用 "全局相似度匹配" 策略，将查询语句作为整体与文档库进行比对。DRA 模块则创新性地采用
语义拆解 + 差异化匹配策略，对查询内容进行精细化分析：
不变词严格匹配：对于人名、地名等专有名词，要求文档必须精确包含，避免因同名信息导致的混淆。例如检索 "Hattie McDaniel" 相关文档时，会过滤掉其他同名人物的信息；
可变词语义扩展：对于 "occupation"" 咳嗽 "等存在多种表述的词汇，借助大模型的语义理解能力，构建同义词和关联词库，允许文档使用同义表达。如" 咳嗽 "可匹配" 咳喘 ""夜间阵发性呛咳" 等表述；
补充词动态权重：根据查询需求的明确程度，为补充信息分配动态权重。例如用户询问 "美国演员 Hattie McDaniel 的职业" 时，"美国演员" 这一补充信息会提升相关文档的优先级。通过这种精细化处理，DRA 模块能对检索结果进行重排序，输出更精准的相关性评分。在多跳问答任务中，该模块使检索到的证据链完整度提升 37%，为后续生成环节奠定高质量基础。
2. RSC 模块：生成过程的动态风险管控
即使检索到精准文档，大模型在生成内容时仍可能受到无关信息干扰。RSC 模块借鉴 "风险控制" 理念，构建了
实时监控 - 动态干预的生成调控机制：
三维风险监测：实时跟踪词汇风险（过度依赖低相关词汇）、注意力风险（聚焦无关段落）和预测风险（与检索证据冲突）；
稀疏校准干预：仅在检测到高风险 token 时进行动态干预，避免对整体生成过程的过度约束。例如，当模型生成内容与医学文献证据冲突时，RSC 会修正冲突表述，但不会干预符合证据的自然表达；
效率与质量平衡：由于采用 "稀疏干预" 而非全流程管控，RSC 在提升准确性的同时，未显著增加生成延迟，保持了模型的响应效率。在实际测试中，RSC 模块使生成内容与检索证据的一致性提升 29%，有效避免了 "检索到正确信息却生成错误内容" 的矛盾。DRAG 技术在多个开放域问答基准测试中展现出优异性能，不仅准确率显著提升，还具备跨模型、跨任务的强大泛化能力。
1. 核心指标全面突破
在权威基准测试中，DRAG 框架的表现全面超越传统 RAG 技术：
短文本问答：在 PopQA 和 TriviaQA 数据集上，准确率分别提升 4.9% 和 4.4%；
多跳问答：在需要复杂推理的 HotpotQA 和 2WikiMultiHopQA 数据集上，准确率均提升 10.6%，展现出强大的逻辑推理能力；
长答案生成：在 ASQA 数据集的长文本生成任务中，str-em、QA-F1 等关键指标刷新当前最优记录。
2. 跨模型泛化能力突出
DRAG 框架并非针对特定模型设计，而是具备良好的兼容性。在 Llama2-7B、Qwen2-7B、Mistral-7B 等不同规模、不同架构的大模型上测试时，均实现了显著的性能提升，其中中小规模模型（7B 参数）的准确率提升尤为明显，为低成本部署高精度大模型提供了可能。DRAG 技术的创新不仅体现在实验室指标的提升，更在专业领域展现出巨大的应用潜力，尤其在对准确性要求极高的场景中，其价值得到充分释放。
1. 医疗健康领域：精准匹配医学信息
医疗场景中，患者和医生的表述差异极大，同一病症可能存在数十种不同说法。DRAG 技术能精准匹配病历、医学文献和诊疗指南，辅助医生快速获取相关信息：
问诊信息匹配：将患者 "晚上睡觉的时候老喘不上气" 的表述，精准匹配到 "夜间阵发性呼吸困难" 相关的诊疗方案；
文献检索优化：帮助科研人员快速定位不同表述的医学研究，例如检索 "PD-1 抑制剂" 时，可匹配包含 "程序性死亡受体 1 拮抗剂" 的文献。
2. 法律政务领域：提升信息检索效率
法律文书和政务文件中存在大量专业术语和同义表述，DRAG 技术能显著提升信息检索的精准度：
法条匹配：将用户 "劳动合同到期不续签的补偿" 诉求，精准匹配到《劳动合同法》第 46 条相关条款；
政务信息查询：帮助企业快速找到 "高新技术企业认定" 相关的不同地区政策文件，即使文件中使用 "高新企业评定"" 高新技术企业资质认定 " 等不同表述。
3. 金融服务领域：优化风险信息识别
在金融风控和信息分析场景中，DRAG 技术能提升多源信息的整合能力：
舆情分析：精准识别 "公司现金流紧张"" 资金链断裂风险 " 等不同表述的负面舆情，及时预警风险；
研报检索：帮助分析师快速定位不同券商研报中关于同一公司的业绩预测信息，即使研报使用 "营收增速"" 业绩增长率 " 等不同术语。DRAG 技术的出现不仅是 RAG 技术的迭代升级，更将深刻影响大模型产业的发展方向，推动大模型从 "通用化" 向 "专业化"、从 "表面理解" 向 "深度认知" 转型。
1. 重构大模型技术竞争格局
DRAG 技术的核心优势在于无需依赖更大规模的模型参数，而是通过 "检索 - 生成" 流程的智能化调控实现准确性提升。这一特性可能改变当前大模型 "参数竞赛" 的发展路径，促使行业将更多资源投入到流程优化和机制创新上。尤其对于中小模型厂商而言，DRAG 框架为其提供了低成本实现高精度服务的技术路径，有望打破头部厂商的参数垄断优势。
2. 加速专业领域大模型落地
专业领域对大模型的准确性要求远高于通用场景，DRAG 技术的出现解决了专业信息检索和生成中的核心痛点。预计未来 1-2 年内，基于 DRAG 技术的医疗、法律、金融等专业大模型将迎来爆发式增长，推动大模型在垂直领域的规模化应用。
3. 技术迭代方向展望
尽管 DRAG 技术已取得显著突破，但仍存在进一步优化的空间：
多语言词汇多样性处理：目前 DRAG 主要针对英文和中文优化，未来需拓展至多语言场景，处理不同语言的词汇多样性问题；
跨模态词汇匹配：将词汇多样性处理拓展到图像、语音等模态，例如实现医学影像报告与文本病历的精准匹配；
自适应学习机制：通过强化学习让模型自主学习不同领域的词汇特性，减少人工干预，提升技术的通用性。DRAG 技术的诞生标志着大模型技术发展进入 "精细化运营" 阶段，从追求参数规模的 "粗放式增长" 转向优化流程机制的 "精准化提升"。随着技术的不断迭代和场景的持续拓展，DRAG 有望成为专业领域大模型的标配技术，推动人工智能真正融入各行各业的核心业务流程，释放更大的产业价值。
