アーカイブ / RAG / AI Agent / LLM
AIエージェントの検索を測る、1億9000万文書と約7万件の検索質問
Q2D-Web
検索手法を行、質問の分野・言語を列に並べた比較です。濃いセルほどRecall@1000が高く、必要な文書を上位1,000件に含められた割合が高いことを示します。
原論文の図の説明を読む
Figure 7: Recall@1000 under Combined+LLM-Judged relevance, broken down by query domain (left) and query language (right). Rows represent retrievers and columns represent query slices; cell labels report recall as percentages. Both panels use the same color scale, with darker cells indicating higher recall.
概要
- 約1億9000万文書と10言語の69,721検索語を使い、エージェントが作る検索語に対する第一段階の検索を評価する。
- 引用、運用中の検索順位、言語モデル判定から関連文書ラベルを構成し、13種類の検索器を比較した。
- 約3分の1の文書集合でもモデル順位は保たれたが、Recall@1000の絶対値は3~7ポイント高く出た。
補足:編集した模式図で仕組みを確認する
VISUAL EXPLAINER
図でつかむ、Q2D-Webの仕組み
- 01エージェントの検索語
- 02文書集合を構築
- 03関連文書を判定
- 04検索器の候補一覧
原論文の説明をもとにした模式図です。処理の細部は省略しています。
研究の背景
検索拡張生成(RAG)は、外部文書を探してから回答を作る方式である。エージェント型RAGでは、AIが会話を踏まえて検索語を作り直し、最初の検索器が候補を集める。この段階で重要な文書が落ちると、後の並べ替えや回答作成では取り戻せない。
従来の公開評価には、文書数、質問数、質問ごとの関連文書判定を同時に十分備えたものが少ない。実運用に近い条件で候補の取りこぼしを測る必要がある。
手法
著者らは9か月間の運用検索から、個人情報を含む語などを除いて69,721件の検索語を集めた。各検索語について運用システムの上位5000文書を集め、似た文書を統合して約1億9000万文書の集合を作る。例えば会話中で話題になった論文を探す場合、エージェントが文脈を補った検索語と、補助的な別表現をそれぞれ評価対象にする。
文書が検索語に合うかは、エージェントの引用、運用システムの上位結果、追加の言語モデル判定から三組のラベルを作る。検索器の上位1000件に関連文書がどれだけ入るかを示すRecall@1000を主な指標とし、文書集合を約3分の1に減らす評価も調べた。
新規性
著者らの主張する前進は、大規模な文書集合、多数の実運用由来のエージェント生成検索質問、複数の関連文書ラベルを同時に備え、検索の第一段階を評価できる点にある。約1億9000万文書に対し、10言語の約7万質問を用意した。
さらに、引用、運用中の検索順位、未判定文書への言語モデル判定を組み合わせ、単一のラベル源に依存しにくい評価を設計した。
従来手法との違い
比較対象となるMS MARCO Web Searchは約1億文書と9374件の評価質問を持つが、質問ごとの関連ラベルはクリックされた1文書である。Q2D-Webは69,721件の質問を含み、表に示された関連文書数は質問当たり平均99.6件に増える。
また、従来の評価では人が書いた検索語が中心だった。Q2D-Webは、会話の流れを踏まえてエージェントが書き換えた検索語を使う。これにより、実際に第一段階の検索器が受け取る入力に近づけている。
実験結果
著者らは全文書と縮小文書集合を使い、語の一致を重視する方式、意味を数値化する方式など13種類の検索器を評価した。主指標はRecall@1000で、上位100件の再現率と上位10件の順位品質も報告する。三組の関連ラベルのどれを使うかでは全体の相対順位は大きく変わらず、話題、言語、質問の種類では差が出た。
複数の検索器の順位を統合して選んだ約3分の1の文書集合は、統合ラベルでの全量評価のモデル順位を保った。一方、Recall@1000の絶対値は全量より3~7ポイント高くなったと著者らは報告する。
応用の可能性
編集上の応用案 · 論文が実証した用途とは区別しています。
編集上の応用案:社内ナレッジを検索して回答するエージェントの、最初の文書選びを点検する。入力は利用者の質問と直前の会話、そこからエージェントが生成した検索語である。出力は検索器が返す候補文書の一覧と、正解文書を含む割合にする。
例えば「先ほどの設備の点検手順」という質問では、直前の会話で特定した設備名を検索語に反映し、候補に該当手順書が入るか確認する。回答文の良し悪しとは切り離し、後段へ渡す証拠の取りこぼしを調べる。
導入時の検証
導入時の検証案 · 対象データでの再評価が必要です。
導入時の検証案:自社の会話から個人情報を除いた質問を選び、エージェントが実際に作る主検索語と補助検索語を保存する。関連する文書を人手で複数件確認し、現行の検索器を基準として、新しい検索器が上位100件と1000件で何件拾うか比べる。
設備名の省略、言い換え、複数言語などに質問を分け、種類別の取りこぼしも記録する。縮小した文書集合で候補を絞る場合は、選んだ方式を全量でも測り、順位と絶対値のずれを確認する。
限界と課題
著者らは、引用だけを関連ラベルにすると、十分な根拠が既に見つかった後の有用な文書が引用されず、見落とされると説明する。運用中の検索順位には既存システムの偏りがあり、言語モデルによる判定にも独自の偏りがある。文書、質問、判定結果は非公開で、公開されるのは評価用のリーダーボードである。
編集上の確認課題は、自社の言語、専門領域、会話の長さでも検索器の順位が保たれるかどうかだ。縮小文書集合の絶対スコアは全量評価より高く出るため、選定の最終段階では全量で確認したい。
出典
元のタイトル・要旨を確認する(英語)
Q2D-Web: A Large-Scale Benchmark for Retrieval in Agentic RAG Systems
Evaluating first-stage retrievers in large-scale production RAG requires a benchmark that pairs a large-scale corpus with a large set of agent-reformulated search queries based on real user queries and their conversation threads, and that labels many relevant documents per query. No existing public benchmark evaluates this setting: large-scale collections typically provide only a small number of evaluation queries, whereas benchmarks with many queries generally contain only millions of documents. Moreover, most benchmarks assess human-written queries, while the first-stage retrievers in agentic RAG pipelines serve machine-written reformulations whose distribution differs from human search behavior. To overcome these evaluation gaps, we introduce Q2D-Web (Query2Doc-Web), a large-scale agentic retrieval benchmark consisting of a 190M-document web corpus and 70k agentic search queries in ten languages, reformulated from real-world user queries in production systems. Q2D-Web provides three sets of fixed relevance judgments: agent citations, production rankings, and a combined set that unions both signals and adds LLM-based judgments of unlabeled pooled documents to reduce false negatives. We benchmark 13 retrievers including lexical, dense, and late-interaction models and find that their relative ordering is largely insensitive to the choice of judgment set, while diverging substantially across topical domains, query languages, and query types. To enable fast evaluation, we also study subcorpus sampling as an approximation to full-corpus evaluations. Retaining a third of the corpus, selected by reciprocal rank fusion over pooled retriever runs, preserves the full-corpus model ranking under the combined judgments while raising absolute Recall@1000 only by 4 to 7 points. The public leaderboard is accessible under: https://huggingface.co/spaces/perplexity-ai/q2d-web-leaderboard
論文本体の取得範囲に基づく解説。AIが作成した未校閲の記事です。性能の数値は著者の評価条件に依存します。応用例と検証計画は編集上の提案です。解説更新:2026-09-29




