论文综述：OmniRetrieval

一、论文是干什么的？

想象你是一个图书馆员，有人问：“哪部由斯皮尔伯格执导的90年代科幻电影，主演是谁？“这个问题的答案可能分散在不同的”书架”上：文字百科、电影数据库表格、演员关系知识图谱……

传统搜索只会用一种方式查，很可能找不到答案。OmniRetrieval 就是一个”全能图书管理员”，它能：

1. 理解你用自然语言提出的问题
2. 自动判断去哪些知识库查（数据库、知识图谱、文档库……）
3. 用每种知识库自己的”语言”来查（SQL、SPARQL、Cypher……）
4. 把各处的结果汇总，返回最有用的答案

在包含 13个数据集、309个知识库 的大规模测试中，该方法全面超越只会查一种来源的传统方法。

二、核心方法与创新

核心思路：不强求统一，而是”各说各话”

以往方法会把所有知识”压扁”成同一格式（比如把数据库表格翻译成文字），翻译过程中大量结构细节丢失。OmniRetrieval 让每个知识库保持原样，系统学会”说各种语言”，分三步走：

第一步：选知识库（Source Selection）

把你的问题和所有 309 个知识库的”简介”（表结构、图谱本体、语料主题）一起输入大模型，让它挑出 3 个最可能包含答案的来源。

类比：把所有书架的”目录卡”一起给一个博学的顾问看，让他告诉你”去哪几个书架可能找到答案”。

第二步：生成原生查询（Query Formulation）

对每个被选中的知识库，自动生成对应的”母语”查询：

知识库类型	生成的查询语言
关系数据库	SQL
RDF 知识图谱（Wikidata）	SPARQL
属性图（Neo4j）	Cypher
普通文档	自然语言 + 假设性文段改写

第三步：跨来源筛选（Cross-Source Evidence Selection）

把各库的返回结果放在一起，再让大模型挑出最能回答原始问题的证据。

三、使用了哪些模型和计算资源？

使用的大语言模型（全程只用 LLM，无需额外训练）：

模型	类型
GPT-5.4	OpenAI API
Gemini-3.1 Pro	Google API
Claude Sonnet 4.6	Anthropic API
Qwen-3.5 (27B)	本地部署
Gemma-4 (31B)	本地部署

文档检索部分使用 all-MiniLM-L6-v2 做语义向量检索。

GPU： 开源模型通过单张 NVIDIA H200 + vLLM 部署；闭源模型走 API，无需本地 GPU。

训练时间： OmniRetrieval 无需训练，直接使用已有预训练模型。每次查询的推理耗时论文未报告。

四、实验结果

实验在 13 个数据集（7个文档检索、2个关系数据库、3个知识图谱、1个属性图）、309 个知识库上进行，每类采样 300 个问题。

方法	来源选中准确率	检索准确率	LLM评委打分
只查文档	21.78%	13.69%	39.49%
只查数据库	14.73%	14.48%	25.65%
只查知识图谱	24.84%	17.83%	27.99%
路由到单一来源	61.65%	39.98%	57.99%
OmniRetrieval	65.71%	44.34%	65.88%
理论上界	100%	61.85%	74.55%

同时试多个来源再筛选，在所有指标上全面领先；距离理论上界仅差约 9 个百分点。

五、潜在应用与已落地应用

潜在应用场景：

• 企业智能问答：同时查文字报告、ERP数据库、组织知识图谱，一个自然语言界面查询所有来源
• 医疗信息检索：联合查文献（PubMed）、患者数据库（SQL）、疾病-药物关系图谱
• 学术研究辅助：跨论文文本、实验数据库、学者合作关系图等多种来源
• 通用 RAG 基础设施：作为 LLM 的”跨格式外挂记忆”，让模型能够跨越结构化与非结构化知识回答问题

已落地情况： 代码已开源（GitHub），发布时约 16 个 Star，尚无已知产品落地案例。同团队的 UniversalRAG（处理多模态检索）已被 ACL 2026 接收，OmniRetrieval 预计会受到类似关注。

六、网络上的讨论与评价

发布于 2026 年 5 月 28 日，发布时间极新，目前网络上几乎没有公开的深度讨论或第三方评价。

从学术定位来看，这是一个具有较强系统创新性的工作——它并非提出新模型，而是构建了一个新的”框架范式”（直接使用原生查询语言而非统一表示），解决了现有方法的根本性局限。论文目前挂在 arXiv 预印本，投稿状态暂无公开信息。