医療分野の質問応答システムは、誤った情報が深刻な結果をもたらす可能性のある重要な領域です。検索拡張生成（RAG）はこうした問題の有望な解決策として広く注目されており、先行研究では大規模な医療QAモデルにおいて大幅な性能向上が報告されていました。しかし、新たな大規模研究がこの前提に疑問を呈しています。 研究チームは7Bから72Bパラメータに及ぶ様々なオープンウェイト命令調整モデルを対象に、検索機能がどの程度有効かを検証しました。5つのモデル、10の生物医学的QAデータセット、4つの検索手法、4つの検索コーパスにわたる包括的な実験を実施した結果、驚くべき発見が得られました。検索機能による改善は、検索なしのベースラインと比べてわずか1～2ポイント程度に留まり、その効果も一貫性を欠いていたのです。 対照的に、検索器やコーパスの選択よりも、基となるモデルの選択がはるかに大きな影響を及ぼすことが明らかになりました。また、専門家による検索ソースと一般人による検索ソースは、ほとんどの場合において同程度のパフォーマンスを示しました。これらの結果は、医療QAシステムの主要な制約が単なる検索品質の問題ではなく、むしろ取得した証拠を効果的に活用するモデル自体の能力の限界にあることを示唆しています。