検索拡張生成（Retrieval-Augmented Generation, RAG）は、大規模言語モデル（Large Language Model, LLM）にプライベートな文書知識ベースを統合し、生成型質問応答（Generative Q&A）システムを構築する代表的なアプローチである。しかし、文書コーパスの規模が拡大するにつれて、RAGの精度はますます難しくなる。その要因として、リトリーバー（Retriever）が、コーパス内から最も関連性の高い文書を抽出し、LLMにコンテキストを提供する役割を果たすため、全体のRAG精度に大きな影響を与えることが挙げられる。本論文では、密なベクトルインデックス（Dense Vector indexes）やスパースエンコーダインデックス（Sparse Encoder indexes）といった意味的検索技術を、ハイブリッドクエリ戦略と組み合わせることで、より効果的な「ブレンドドRAG（Blended RAG）」手法を提案する。本研究では、NQやTREC-COVIDなどの情報検索（IR）データセットにおいて、より優れたリトリーブ結果を達成し、新たなベンチマークを設定した。さらに、この「ブレンドドリトリーバー」をRAGシステムに拡張することで、SQUADなどの生成型Q&Aデータセットにおいて、従来のファインチューニング性能を上回る顕著な成果を示した。