Sistemas de geração aumentada por recuperação (RAG) funcionam assim: antes de responder, o modelo de linguagem busca trechos em fontes externas e usa esse material como base. Segundo o resumo do artigo, a busca densa funciona bem para encontrar trechos semanticamente parecidos com a pergunta, mas, ranqueando cada trecho isoladamente, pode trazer passagens redundantes, deixar de lado dependências entre trechos e entregar evidências incompletas para raciocínios em várias etapas. É esse problema que o SpectRAG tenta resolver.
Como o método organiza a informação
Os autores descrevem o SpectRAG como um framework de recuperação com apoio de grafos espectrais. De acordo com o resumo, o funcionamento acontece em etapas:
- Seleção inicial de candidatos, combinando busca por produto interno exato e sinais de relevância híbridos.
- Expansão desse conjunto por meio do grafo de trechos.
- Reavaliação dos candidatos por proximidade no grafo e por informações espectrais.
- Montagem do contexto final dentro de um limite fixo de tokens, isto é, de unidades de texto que o modelo processa.
As arestas do grafo representam semelhança semântica, adjacência entre documentos, hierarquia de seções, entidades compartilhadas, links de citação e semelhança entre perguntas de utilidade geradas por LLM. A ideia, segundo os autores, não é apenas trazer trechos parecidos com a pergunta, mas montar um contexto relevante, diverso, conectado e suficiente para o raciocínio.
O que os experimentos indicam
Segundo o resumo, os testes foram feitos com os conjuntos MultiHopRAG, UltraDomain e cenários de perguntas e respostas sobre documentos longos. Os autores afirmam que o método melhora a recuperação ampla de evidências e alcança qualidade de geração competitiva frente a linhas de base como denso, híbrido, HyDE, LightRAG e NaiveRAG. A estrutura espectral pareceu especialmente útil em raciocínios inferenciais e na recuperação entre documentos. O resumo também aponta trade-offs em precisão nos primeiros resultados, custo computacional e desempenho que varia conforme o domínio.
O que ainda não está claro
O resumo não traz os valores numéricos dos resultados nem detalhes de custo, o que impede avaliar quanto o método economiza de tokens na prática. Para isso, será preciso consultar o texto completo do artigo.
