WWW 2026唯一最佳长文：MedRGAG框架以“知识需求驱动”破解大模型检索与生成之争
WWW 2026唯一最佳长文授予一篇医学问答论文，提出MedRGAG框架。该框架通过“检索-补全-选择”流程，融合外部检索与内部参数知识，解决检索缺失与生成幻觉问题。在五个医学问答基准上，相比现有方法提升显著，且无需训练、即插即用。
事件概述
The ACM Web Conference 2026（WWW 2026）唯一最佳长文奖授予了一篇医学问答领域的论文。该工作由中国人民大学高瓴人工智能学院与腾讯天衍实验室合作完成，论文第一作者李磊，通讯作者为周骁副教授与腾讯天衍实验室主任吴贤。
核心方法：MedRGAG框架
论文提出MedRGAG，一个统一检索与生成的医学问答范式。其核心思路是“知识需求驱动”——不先问“检索还是生成”，而是先问“回答这个问题还缺什么知识”。MedRGAG将“检索-补全-选择”组织成查漏补缺式知识增强流程：
- 多源均衡检索：从多源医学语料中检索，获得初始证据池。
- KGCC（知识引导的上下文补全）：先总结检索文档，再判断回答还缺哪些关键信息，并围绕缺口生成背景文档。
- KADS（知识感知的文档选择）：拆解问题所需知识点，从候选文档中选出覆盖更完整、冗余更少的证据组合，而非基于文本相似度排序。
关键发现
传统排序器（如BGE、MedCPT）在检索文档与生成文档混合时，会偏向大模型生成的文档（因更贴题），可能忽略重要但相似度低的检索证据。KADS通过知识覆盖度选择，5篇精选文档准确率可打平或超过10篇全部输入。
实验结果
在MedQA-US、MedMCQA、MMLU-Med、PubMedQA、BioASQ-Y/N五个基准上，使用Qwen2.5-7B、LLaMA-3.1-8B、Ministral-8B作为阅读器，MedRGAG取得最优或接近最优表现：
- 相比检索代表方法MedRAG，平均提升约12.5%；
- 相比生成代表方法MedGENIE，平均提升约4.5%；
- 相比无外部知识的直接作答，平均提升约15.3%。
整个框架无需训练，即插即用。
案例分析
以携带NF2突变的患者为例，检索文档提供NF2与22号染色体基因突变相关、易发脑膜瘤的事实；生成文档补上NF2典型肿瘤谱系及与VHL综合征的鉴别知识。KADS精选一篇检索文档和两篇生成文档，帮助模型给出正确答案“脑膜瘤”。
价值与意义
MedRGAG不再纠结“信检索还是信生成”，而是转向“回答需要什么知识”。该工作为知识增强系统提供了新视角，不仅针对医学问答，也对更广泛的知识组织问题具有启发意义。论文作者表示，延迟问题可通过并行化、缓存或蒸馏专用小模型优化，但医疗场景还需额外临床验证。