检索完先裁剪，证据按需取粒度

多模态 RAG 检索回来的证据，粗一点整段都进上下文，浪费且夹带噪声；细一点又可能把必要背景切掉。Hyojeong Yun 等人的 CANOPY（arXiv:2610.00923，Hugging Face 今日榜 9 赞）给这个两难给出了结构化解法：粒度不是选定的，是按查询自适应选出来的。

方法：层级、打分、精修、补检

第一步，把检索回来的文本、表格、图片、视频条目统一表示成层级结构。第二步，在金标准证据上微调的节点编码器对树的各区域按查询相关性打分。第三步，父相对精修从树上选出多个不同粗细的区域，重要的段落整块保留，无关的章节大胆丢弃；这一步的节点级剪枝完全不调用 LLM，成本压得住。第四步是个闭环：批评家组件发现累计证据不够时，发起定向补检，新证据同样先压缩再入库。

数字怎么说

评测规模给得扎实：五个问答基准、三千三百万条异构语料，平均答案准确率超过检索基线；消融显示多跳问答的增益主要来自补检机制，说明批评家是真在干活而不是装饰。工程账更直观：用未加路由的 Qwen3-VL-8B 做阅读器，读入的证据 token 比无压缩的同管线少 14.2 至 27.7 个百分点，准确率基本持平。论文 26 页，项目页已开放，代码链接暂未见。

放进站内 RAG 线

这篇补的位置很清楚。MRVQ 管索引侧（同一份量化产物多档位省内存），CANOPY 管读入侧（证据进上下文前按粒度裁剪），两篇加上此前的 RAG 四轴图谱，检索管线的省 token 账在两头都齐了。做多模态知识库的团队，批评家定向补检的设计尤其值得抄：它把补检索这件事从固定流程变成了按证据充分性的条件动作。