RAG 4: quando testar técnicas mais complexas
Quando eu testaria late chunking, recuperação visual, hierarquias ou agentes a partir dos erros que aparecem na busca.
Neste artigo
A literatura recente não oferece uma arquitetura vencedora para todos os documentos. Oferece intervenções que resolvem problemas diferentes. Meu trabalho é relacionar cada intervenção a uma falha observada e a um experimento capaz de refutar sua utilidade. Ser mais recente não transforma uma técnica automaticamente na próxima etapa da Taesa.
Quando o trecho perde contexto
Late Chunking contextualiza os tokens de um texto longo antes de agrupar suas representações por trecho. É diferente de gerar um resumo e também de aumentar o overlap. Depende de um modelo e de uma interface que permitam esse processamento. Eu o testaria quando referências entre seções prejudicassem a recuperação, comparando com um prefixo extraído muito mais simples.
Late Chunking: método e experimentos
Quando a evidência é visual
ColPali recupera páginas a partir de imagens e representações multivetoriais. É uma alternativa relevante quando o texto extraído perde tabelas ou relações de layout. Mas encontrar a página não prova que o modelo leia corretamente um número. Minha avaliação separaria recuperação da página, interpretação da tabela e resposta final, medindo também armazenamento e latência.
Quando a resposta depende de várias peças
RAPTOR propõe uma hierarquia de resumos para recuperar informação em diferentes escalas. Eu a consideraria para perguntas globais, mantendo links para as passagens originais. Um grafo explícito pode servir quando importam relações entre contrato, entidade e ato. Nenhuma das opções transforma relações inferidas em fatos verificados. Primeiro eu construiria um caso pequeno e revisável que a busca convencional não resolvesse.
RAPTOR: recuperação hierárquica
Agentes de busca acrescentam decisões e chamadas: podem descobrir uma segunda consulta a partir da primeira evidência. Isso também introduz falhas de planejamento, ciclos e custo. HERB estuda fontes empresariais heterogêneas em um ambiente sintético de software e produto. Suas dificuldades justificam testes multidocumento, não uma promessa de que adicionar agentes resolverá o problema regulatório.
HERB: busca sobre dados empresariais heterogêneos
O que uma comparação financeira de 2026 permite concluir
O estudo From BM25 to Corrective RAG encontrou uma combinação forte de recuperação híbrida e reranking, e BM25 superou o recuperador denso estudado. Porém, recupera documentos inteiros, usa um embedding principal e avalia respostas numéricas. Não é uma demonstração do melhor chunking nem do melhor sistema regulatório. Eu o usaria para escolher baselines, não para copiar uma classificação universal.
Benchmark financeiro de 2026 e suas limitações
Minha ordem seria resolver identidade e extração, comparar recuperadores simples e só depois introduzir complexidade dirigida à falha. Os trabalhos recentes consultados no arXiv são evidência de pesquisa; sem confirmação editorial adicional não os apresento como consenso revisado por pares. A prova decisiva continua sendo uma avaliação local congelada, com custo e limites explícitos.
D-RAC, também de setembro de 2026, separa conversão multimodal para Markdown e planejamento de chunks por identificadores. Essa separação pode reduzir o custo de repetir a segmentação. Porém, uma execução sem erros de conversão ou chunking não demonstra ausência de erros semânticos nem melhor resposta final. Eu preservaria tabelas e originais para verificar se sua transformação em prosa mantém unidades e relações; não converteria todos os formatos para PDF sem comparar as perdas.
D-RAC: conversão e segmentação por identificadores