# Plus de documents, moins de précision pour le RAG, selon une étude

> L’ajout de documents hétérogènes a nui aux performances de la génération augmentée par récupération, avec une baisse de précision de 63 % lors d’un test.

Oossa · 2026-10-15 · https://oossa.com/fr/large-document-collections-reduce-rag-accuracy-study-finds

Des chercheurs dirigés par Nabaraj Subedi ont étudié la génération augmentée par récupération (RAG) sur des corpus de documents de plus en plus vastes. Dans un système du Wyoming DOT, le passage de 54 à 1 128 documents a fait chuter la précision@10 de 63 % et réduit de 23 % le rappel du document contenant la réponse. L’article propose une technique de cadrage souple qui limite la récupération aux domaines pertinents, sans entraînement supplémentaire. Les auteurs recommandent d’appliquer d’abord ce cadrage souple, puis de lancer un unique appel de synthèse.

## Les faits

- Le corpus est passé de 54 à 1 128 documents ; la précision@10 a baissé de 63 % et le rappel, de 23 %.
- L’article a été publié sur arXiv le 2026-10-15 (« Thu Oct 15 2026 06:00:00 GMT+0200 »).

## Pourquoi c'est important

Pour les développeurs de chatbots reposant sur le RAG, l’ajout de documents peut en réalité rendre les réponses moins précises si le domaine n’est pas cadré.

## Sources et références

1. [When More Documents Hurt RAG: Measuring and Reducing Vector Search Dilution with Domain-Scoped Retrieval](https://arxiv.org/abs/2606.11350) – arXiv cs.IR, 2026-10-15

Dernière mise à jour: 2026-10-15