[CL]《Which RAG Paradigm Wins at Scale? A Scaling Study of Retrieval-Augmented Generation Paradigms》P Wang, B Xu, S Wang, X Zeng… [University of Science and Technology of China] (2026)

在企业级 RAG 领域，开发者常在词法检索、向量检索、图检索与智能体搜索间犹豫。过去的研究受困于单一语料规模的评测，本质原因是忽视了准确率随数据量增长而产生的“成本-效能”非线性坍缩，导致高昂的索引成本往往换不回规模化的精度收益。

本文的核心洞见是：将 RAG 评测重新看作跨越 28 个量级的受控实验。实验证明，最传统的 BM25 算法在 51 万文档规模下依然定义了帕累托最优边界；而看似强大的文件系统智能体因缺乏全局候选发现能力，在全量规模下准确率暴跌 20 个百分点。

这项工作真正留下的遗产是确立了“全局词法索引+局部智能体推理”的混合范式地位。它为后来者打开的新门是利用 Agent 优化复杂问题的二次处理，但尚未跨过的门槛是解决大模型构建知识图谱时高达 2.9 亿 Token 的线性增长成本墙。

arxiv.org/abs/2607.26497 机器学习 人工智能 论文 AI创造营