处理长文档时，检索系统有个老毛病：把文档按长度硬切成块，原本的层级结构全丢了。IBM一篇新论文给出了一个反直觉的思路——用目录来当检索的“地址簿”。

这篇论文提出的方法叫STAIR。核心想法很直接：既然切块会丢掉文档自带的全局结构，那就干脆把目录当作寻址方案。模型不再从零开始理解文档，而是借助目录这个现成的骨架，把信息存进自己的参数里，再按图索骥地取出来。

打开网易新闻 查看精彩图片

目录不是装饰，是检索的锚点

传统做法里，检索器按固定长度切分长文档，段落之间的父子关系、章节归属全被抹平了。IBM团队注意到，文档本身就有目录——它精确编码了切块所丢弃的全局结构。STAIR把这个结构利用起来，让生成式检索器（generative retriever）以目录为寻址方案，从自身参数中存储和检索信息，而结构本身由语料库提供。

换句话说，模型不是漫无目的地搜索，而是先看目录，知道“这段内容在文档的哪个位置”，再去对应的地方找答案。这相当于给检索加了一个定位系统。

数字说话：Recall@1达82.6%

在SearchTome基准上，STAIR的Recall@1达到82.6%，而微调后的Differentiable Search Index（可微搜索索引）是76.9%，差距在统计上显著。传统方法更落后一截：BM25只有59.5%，DPR是68.7%。

这个差距说明，把真实层级结构引入生成式检索，确实能带来实打实的提升，不是锦上添花。

幻觉率压到0.05%以下

生成式检索一直有个被质疑的点：幻觉。模型自己生成答案，容易编造不存在的内容。STAIR在这方面的表现是幻觉率保持在0.05%以下。论文认为，这正是把寻址空间锚定在真实层级结构上的价值——多花一点结构成本，换来的是可靠性。

消融实验还显示，STAIR在训练样本很少的情况下也能泛化。这意味着它不依赖海量标注数据，对资源有限的场景更友好。

解决的是什么问题？

长文档检索的痛点在于：切块破坏了文档原有的逻辑，导致检索结果碎片化。STAIR用目录把结构找回来，让模型知道“信息在文档里的位置”，而不是在碎片里瞎猜。这个思路对处理技术文档、研究报告、法律文书这类层级分明的长文本，尤其有参考价值。

论文全文已发布在academy.dair.ai，感兴趣的可以去看细节。