荔枝视频

7 月 3 日，荔枝视频 与腾讯天衍实验室合作完成的论文 "From Retrieval to Generation: Unifying External and Parametric Knowledge for Medical Question Answering" 荣获国际万维网大会（The ACM Web Conference，WWW）2026 最佳长文奖（Best Paper Award）。本届会议共收到3370篇有效投稿，最终仅1篇论文获此殊荣。

论文第一作者为荔枝视频 博士毕业生李磊，通讯作者为周骁副教授与腾讯天衍实验室主任吴贤。

在知识密集型任务中，如何为大语言模型提供有效的知识支撑，是提升回答质量的关键。当前主流方法包括检索增强生成（Retrieval-Augmented Generation，RAG）和生成增强生成（Generation-Augmented Generation，GAG）两类。前者通过检索外部知识提供事实依据，但容易受到检索噪声和知识缺失的影响；后者利用模型参数知识生成背景信息，更贴近问题语义，但可能产生幻觉和事实错误。

围绕这两类方法，已有研究主要聚焦于知识获取与知识生成过程的改进：提升 RAG 的检索准确性与覆盖度，减少关键证据遗漏；增强 GAG 的生成可靠性与针对性，降低模型幻觉。总体而言，这些工作推动了知识增强方法的发展，但其关注点仍主要集中在单一知识来源或局部环节的优化上。

针对这一局限，论文提出了一种新的知识增强范式。研究认为，回答医学问题的关键，并非简单地选择“检索知识”还是“参数知识”，而是首先识别问题真正需要哪些知识，再组织不同来源知识协同推理。基于这一认识，论文将研究重点从“如何获取更多知识”转向“如何围绕问题需求组织知识”，提出了统一外部知识与参数知识的新范式。

为实现这一思路，论文提出了统一检索与生成的医学问答框架 MedRGAG。整个框架围绕问题的知识需求开展协同推理：首先，多源均衡证据检索建立事实基础；随后，知识引导的上下文补全模块分析已有证据中的知识缺口，并围绕缺口定向生成补充信息；最后，知识感知的文档选择模块从检索知识与生成知识中筛选最具支撑作用的证据组合。与传统方法简单拼接检索结果和生成内容不同，MedRGAG使两类知识围绕同一问题协同工作，实现了知识获取、知识补全和证据组织的一体化。

图1:MedRGAG框架

实验结果表明，MedRGAG 在五个公开医学问答基准上均取得显著提升。相较于直接作答方法 Direct Response、检索增强代表方法 MedRAG 和生成增强代表方法 MedGENIE，平均性能分别提升15.3%、12.5%和4.5%。进一步分析表明，该方法能够在减少冗余上下文的同时保留关键证据，说明性能提升来自更有效的知识组织，而非简单增加知识数量。

图 2：主实验结果

该研究表明，大语言模型的可靠性不仅取决于知识获取能力，更取决于能否根据具体问题需求组织和利用不同来源的知识。论文提出的统一检索与生成框架，为构建更加可信、可解释、可控的大语言模型知识增强系统提供了新的技术路径，并有望应用于医疗智能问答、专业领域智能助手等知识密集型场景。

在 WWW 2026 闭幕式颁奖环节，评审主席对该论文给予高度评价：“该论文为统一外部知识与参数化知识、提升医学问答可信性奠定了重要基础，这一方向对于医学领域尤为重要；同时，该工作的意义并不局限于特定任务，也为其他相关领域研究提供了广泛启发。”评审主席还对论文报告给予充分肯定，并表示该论文获奖实至名归。

“A great paper that is really setting the foundation for how we can do this kind of unification and bring trust. This is very important for the medical domain. There are also quite a lot of things that can be taken from this work; it is not just specific to one task. The presentation was great and excellent. You totally deserve it.”

（会议颁奖合影）

WWW（The ACM Web Conference，国际万维网大会）是互联网、搜索、数据挖掘与人工智能等领域历史悠久、最具国际影响力的顶级学术会议之一，为中国计算机学会（CCF）推荐 A 类会议。最佳长文奖是大会最高论文奖项之一，用于表彰兼具原创性、学术贡献与应用价值的突出成果。

论文链接：

//dl.acm.org/doi/10.1145/3774904.3792691

arXiv：//arxiv.org/abs/2510.18297

代码地址：

//github.com/ll0ruc/MedRGAG

会议获奖信息：

//www2026.thewebconf.org