Zespół badawczy opracował NavTree, hierarchiczny system wyszukiwania informacji, który istotnie różni się od podejścia RAPTOR poprzez rezygnację z generowania streszczań przez model języka. Zamiast tego NavTree buduje determinističną zbalansowaną strukturę drzewa segmentów nad fragmentami dokumentu już podczas indeksacji, wymagając zera wywołań modelu. Podczas wyszukiwania system wykorzystuje to drzewo wyłącznie jako scaffolding nawigacyjny, łącząc wyszukiwanie leksykalne z wyszukiwaniem gęstym (dense retrieval) w celu przejścia od korzenia do liści i zwrócenia tylko fragmentów dokumentu.
W testach porównawczych na zadaniach question-answering z długimi dokumentami NavTree wykazał się znaczną wydajnością. System okazał się najsilniejszą metodą hierarchiczną w ocenie przy dopasowanym budżecie obliczeniowym i osiągnął wyniki porównywalne z najlepszymi płaskimi metodami wyszukiwania. Szczególnie imponujące są rezultaty na zadaniach multi-hop QA, gdzie NavTree jest jedyną hierarchiczną metodą, która znacząco pokonuje BM25 na zasadzie porównania klasy-do-klasy, co potwierdzono testami wyszukiwania bez potrzeby czytnika. Nawet replikacja oryginalnego wariantu RAPTOR z mocnymi streszczeniami klastrów przegrała z NavTree przy każdym budżecie wielofragmentowym.
To badanie niesie ważne implikacje dla praktycznego wdrażania retrieval-augmented generation. Pokazuje, że architektura hierarchiczna może być kluczową zaletą nie ze względu na jakość streszczań generowanych przez LLM, ale dzięki strukturze nawigacyjnej samego drzewa. Znalezisko to potencjalnie zmienia podejście do wyszukiwania na długich dokumentach, sugerując, że systemy mogą osiągnąć konkurencyjną wydajność przy znacznie niższych kosztach obliczeniowych, eliminując drażliwe generowanie streszczań na etapie indeksacji.