arXiv:2603.26668v2 Announce Type: replace-cross 
Abstract: As an important paradigm for enhancing the generation quality of Large Language Models (LLMs), retrieval-augmented generation (RAG) faces the two challenges regarding retrieval accuracy and computational efficiency. This paper presents a novel RAG framework called Bridge-RAG. To overcome the accuracy challenge, we introduce the concept of abstract to bridge query entities and document chunks, providing robust semantic understanding. We organize the abstracts into a tree structure and design a multi-level retrieval strategy to ensure the inclusion of sufficient contextual information. While this hierarchical organization substantially improves answer quality, traversing the tree to locate the abstracts that contain a query entity inevitably introduces additional retrieval overhead. To restore retrieval efficiency, we further integrate the Cuckoo Filter in CFT-RAG, which provides O(1) entity lookup and naturally fits the entity-to-abstract pathway of our framework. Extensive experiments show that Bridge-RAG achieves consistent accuracy improvements across all metrics and up to $1.9\times$ faster retrieval compared to structured RAG baselines.

تم تقديم إطار جديد يسمى Bridge-RAG لتعزيز جودة الجيل في نماذج اللغة الكبيرة (LLMs) من خلال استخدام تقنية الجيل المعزز بالاسترجاع. يتناول هذا الإطار التحديات المتعلقة بدقة الاسترجاع وكفاءة الحوسبة من خلال استخدام هيكل شجري تجريدي لتنظيم كيانات الاستعلام وقطع الوثائق، بالإضافة إلى استراتيجية استرجاع متعددة المستويات.

Se ha presentado un nuevo marco de generación aumentada por recuperación llamado Bridge-RAG, diseñado para mejorar la calidad de generación de los Modelos de Lenguaje Grande (LLMs). Este marco aborda los desafíos relacionados con la precisión de recuperación y la eficiencia computacional mediante el uso de una estructura de árbol abstracto para organizar entidades de consulta y fragmentos de documentos, junto con una estrategia de recuperación multinivel.

Un nouveau cadre de génération augmentée par récupération, nommé Bridge-RAG, a été introduit pour améliorer la qualité de génération des grands modèles de langage (LLMs). Ce cadre aborde les défis liés à la précision de récupération et à l'efficacité computationnelle en utilisant une structure d'arbre abstrait pour organiser les entités de requête et les morceaux de documents, ainsi qu'une stratégie de récupération multi-niveaux.

A novel retrieval-augmented generation framework named Bridge-RAG has been introduced to enhance the generation quality of Large Language Models (LLMs). This framework addresses challenges related to retrieval accuracy and computational efficiency by utilizing an abstract tree structure for organizing query entities and document chunks, along with a multi-level retrieval strategy.