本記事では、科学的な質問がしばしば複数の意図を含み、例えば遺伝子の変異を特定し関連する疾患と結びつける必要があることを指摘しています。このようなタスクには多様な情報源からの証拠と多段階の推論が求められますが、従来の検索強化生成（RAG）システムは通常、一つの意図に特化しているため、証拠のカバレッジが不十分になるという問題があります。これを踏まえて、著者らは「マルチインテント科学的質問応答」（MuISQA）というベンチマークを導入し、異なるサブ質問に対する証拠のカバレッジを評価します。また、意図に応じた検索フレームワークを提案し、大規模言語モデルを活用して潜在的な回答を推測し、それを意図別のクエリに分解してサポートする文を取得します。取得した情報は、リプロシカルランク融合（RRF）を使って再評価され、多様な意図に対するカバレッジをバランスさせつつ冗長性を減少させます。実験により、この方法が従来のアプローチよりも一貫して優れた成果を上げることが示されています。