arXiv 2606.287372026-06-27cs.CLcs.AI

5ting在SemEval-2026任务8中：基于LLM重排序和忠实性控制的强端到端多轮RAG

5ting at SemEval-2026 Task 8: Strong End-to-End Multi-Turn RAG via LLM-Based Reranking and Faithfulness Control

University of Information Technology, Ho Chi Minh City, Vietnam（信息技术大学，胡志明市，越南）；Vietnam National University Ho Chi Minh City, Ho Chi Minh City, Vietnam（越南胡志明市国家大学，胡志明市，越南）

Thien-Qua-T-Nguyen, Chi Hoang, Nguyen Tran, Tri Le, Khanh Truong, Chinh Trong Nguyen

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

提出5ting系统，结合BGE-M3稠密检索、FAISS索引、双查询合并检索和LLM重排序，通过角色分离生成约束于检索证据，解决多轮RAG中的上下文漂移和幻觉问题。

摘要：

我们介绍了5ting，这是我们为SemEval2026任务8（MTRAGEval）开发的系统，该任务评估多轮检索增强生成（RAG）系统。多轮RAG涉及上下文漂移、不明确指定和幻觉风险。我们的系统结合了BGE-M3稠密检索与FAISS索引、双查询合并检索以及基于LLM的重排序，随后进行角色分离生成，并约束于检索到的证据。检索器在任务A中实现了nDCG@5 = 0.4719，而端到端系统在任务C中排名，谐波得分为0.5597，RL_F = 0.7692。

英文摘要：

We introduce 5ting, our system for the SemEval2026 Task 8 (MTRAGEval), which evaluates multi-turn Retrieval Augmented Generation (RAG) systems. Multi turn RAG involves context drift, under specification, and hallucination risk. Our system combines BGE-M3 dense retrieval with FAISS indexing, dual-query merged retrieval, and LLM based reranking, followed by role separated generation constrained to retrieved evidence. The retriever achieved nDCG@5 = 0.4719 in Task A, while the end to end system ranked in Task C with a harmonic score of 0.5597 and RL_F = 0.7692.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。