Le regole del digitale stanno cambiando.
O sei visibile o sei fuori. Noi ti aiutiamo a raggiungere i clienti giusti — quando ti stanno cercando.
Contattaci ora
Il metodo RCER usa i passaggi accumulati per collegare le prove e migliorare il question answering multi-hop
Il team di Linyao Zheng ha sottomesso il 14 ottobre 2026 il paper RCER, metodo RAG iterativo che migliora il question answering multi-hop di 2,83 punti di Exact Match e 3,06 di F1. Il contributo è incrementale rispetto a IRCoT e KiRAG, e i risultati attendono ancora la revisione tra pari di ARR October.
È stato sottomesso ieri, 14 ottobre 2026. A farlo è il team di Linyao Zheng, Xuhang Shi, Zhifang Mao, Xiuquan Hou e Sai Zhou. Il loro paper RCER, inviato ad ARR October, promette di migliorare il question answering multi-hop di 2,83 punti di Exact Match e 3,06 punti di F1 rispetto alle migliori baseline. Su arXiv è classificato nella categoria Information Retrieval (cs.IR). Non è il primo a muoversi su questo terreno. E forse non sarà l’ultimo.
RCER è un metodo di Retrieval-Augmented Generation iterativo. Il nome dice già molto: ogni giro di ricerca e generazione non parte da zero, ma usa i passaggi di testo accumulati nei giri precedenti. La novità, secondo il paper, sta nel ricostruire le relazioni tra prove diverse direttamente da quei passaggi accumulati. In pratica, il sistema non si limita a raccogliere informazioni: impara a collegarle mentre procede.
I numeri: su tre benchmark di multi-hop QA, RCER supera le migliori baseline in media di 2,83 punti EM e 3,06 punti F1. Il paper aggiunge che il metodo ottiene prestazioni superiori nei compiti di ragionamento narrativo e implicito, quelli in cui la risposta non si trova in un unico documento ma va ricostruita attraversando più fonti.
Perché serve un altro metodo iterativo? La domanda è legittima. IRCoT e KiRAG, prima di RCER, hanno mostrato miglioramenti anche più ampi. Per rispondere, bisogna guardare a chi c’era prima, e a chi c’è accanto.
La corsa al RAG iterativo
Prima c’era il RAG. Il paper di Lewis et al., presentato al NeurIPS 2020, ha introdotto l’idea di combinare due memorie: una parametrica, il modello pre-addestrato, e una non parametrica, un indice vettoriale denso di Wikipedia accessibile tramite un retriever neurale. È il fondamento su cui si appoggia tutto il resto, RCER compreso.
Poi, nel 2023, è arrivato IRCoT. Il metodo di Trivedi et al., presentato all’ACL 2023, ha cambiato approccio al question answering multi-step: alterna il recupero con i passaggi di una catena di pensiero, guida il recupero usando la catena di pensiero, e usa i risultati recuperati per migliorare la catena stessa. RCER, scrivono gli autori, porta avanti proprio questa strada.
Accanto c’è KiRAG, e qui il confronto si fa interessante. KiRAG, presentato all’ACL 2025, sui dataset di multi-hop QA supera i modelli iRAG esistenti con un miglioramento medio del 9,40% in R@3 e del 5,14% in F1. Numeri più ampi di quelli di RCER, su metriche in parte diverse: il confronto diretto non è immediato, ma il quadro è chiaro.
Il campo del RAG iterativo è affollato. RCER porta un contributo solido: 2,83 punti EM non sono pochi, soprattutto nei compiti narrativi e impliciti. Ma si tratta di un miglioramento incrementale, non di un salto. E chi usa questi modelli oggi deve chiedersi: cosa significa, in pratica, un sistema più accurato di qualche punto?
Cosa aspettarsi nelle prossime settimane
Il RAG, in generale, affronta problemi noti dei modelli linguistici: le allucinazioni, la conoscenza obsoleta, il ragionamento poco trasparente. Come riportato nel survey di Gao et al. sul RAG, questo aumenta l’accuratezza e la credibilità delle risposte, soprattutto nei compiti knowledge-intensive, e permette aggiornamenti continui della conoscenza e l’integrazione di informazioni specifiche di un settore.
Per un’azienda online — un e-commerce, un servizio di assistenza, un portale informativo — ogni punto di Exact Match in più significa meno risposte sbagliate o fuorvianti. Il question answering multi-hop è esattamente il tipo di problema che si incontra quando un cliente fa una domanda complessa e il sistema deve mettere insieme informazioni da più pagine o documenti.
Ma la vera prova arriva adesso. Il paper RCER è stato sottomesso ad ARR October, il ciclo di revisione di ottobre: non è ancora passato dalla revisione tra pari. Le prossime settimane diranno se il metodo regge il confronto con revisori indipendenti, e se i risultati si confermano su altri benchmark oltre ai tre usati dagli autori. Per chi fa impresa online, il segnale è questo: i sistemi di question answering multi-hop stanno diventando più accurati. Ma tra una promessa su arXiv e uno strumento affidabile in produzione c’è ancora una strada, e passa dalla revisione tra pari.
