Our new X account is live! Follow @wizwand_team for updates

Multi-Hop Question Answering on HotpotQA, 2Wiki, Musique, and Bamboogle (test)

57.02HotpotQA Score

JADE

Updated 4d ago

Evaluation Results

Method
JADE 2026.01	57.02	53.87	29.26	58.26	49.6	53.86
MMOA-RAG 2026.01	49.21	41.66	17.26	37.2	36.33	45.57
Search-R1 2026.01	46.87	39.03	17.97	38.69	35.64	43.91
BGM 2026.01	46.85	37.79	17.55	37.38	34.89	44.18
MAO-ARAG 2026.01	46.65	43.96	22.38	49.84	40.71	41.22
RRR 2026.01	46.21	41.52	18.27	36.59	35.65	44.72
Adaptive RAG 2026.01	42.38	39.62	25.48	34.85	35.58	37.11
Vanilla RAG 2026.01	28.33	25.91	25.2	25.28	26.18	34.89
LLM w/o RAG 2026.01	17.76	22.58	8.58	17.14	16.52	17.44
LLDS 2025.12	0.466	0.456	0.215	0.403	0.385	0.451
LLDS-MA 2025.12	0.452	0.443	0.197	0.395	0.372	0.44
LLDS 2025.12	0.443	0.447	0.197	0.444	0.383	0.441
Tree-GRPO 2025.12	0.424	0.437	0.178	0.432	0.368	0.424
CriticSearch 2025.12	0.414	0.409	0.18	0.368	0.343	-
DART 2026.02	0.399	0.389	0.155	0.352	0.324	-
DART 2026.02	0.392	0.376	0.143	0.352	0.316	-
LLDS 2025.12	0.345	0.323	0.082	0.21	0.24	0.36
ZeroSearch-Base 2025.12	0.338	0.346	0.13	0.139	0.238	0.345
Search-R1-GSPO 2025.12	0.332	0.329	0.098	0.25	0.252	0.331
Search-R1-GRPO 2026.02	0.331	0.31	0.124	0.232	0.249	-
Search-R1-GRPO 2025.12	0.331	0.31	0.124	0.232	0.249	0.336
Search-R1-PPO-Ins 2026.02	0.324	0.319	0.103	0.264	0.253	-
Search-R1-PPO-Ins 2025.12	0.324	0.319	0.103	0.264	0.253	0.325
Search-R1-GRPO 2025.12	0.297	0.274	0.066	0.128	0.191	0.312
StepSearch 2025.12	0.294	0.36	0.14	0.258	0.263	0.311
Search-R1-PPO-Base 2026.02	0.284	0.273	0.049	0.088	0.174	-
Search-R1-PPO-Base 2025.12	0.284	0.273	0.049	0.088	0.174	0.303
ZeroSearch-Ins 2025.12	0.274	0.3	0.098	0.111	0.196	0.317
Search-R1-GRPO 2026.02	0.265	0.244	0.061	0.113	0.171	-
RAG 2026.02	0.255	0.226	0.047	0.08	0.152	-
RAG 2025.12	0.255	0.226	0.047	0.08	0.152	0.27
Rejection Sampling 2026.02	0.24	0.233	0.059	0.21	0.186	-
Rejection Sampling 2025.12	0.24	0.233	0.059	0.21	0.186	0.265
Search-o1 2026.02	0.221	0.218	0.054	0.32	0.203	-
Search-o1 2025.12	0.221	0.218	0.054	0.32	0.203	0.255
R1-instruct 2026.02	0.208	0.275	0.06	0.192	0.184	-
R1-instruct 2025.12	0.208	0.275	0.06	0.192	0.184	0.224
R1-base 2026.02	0.201	0.268	0.055	0.224	0.187	-
R1-base 2025.12	0.201	0.268	0.055	0.224	0.187	0.229
SFT 2026.02	0.186	0.248	0.044	0.112	0.147	-
IRCoT 2026.02	0.164	0.171	0.067	0.24	0.161	-
Direct Inference 2026.02	0.149	0.244	0.02	0.024	0.109	-
Direct Inference 2025.12	0.149	0.244	0.02	0.024	0.109	0.134
CoT 2026.02	0.021	0.021	0.002	0	0.011	-