CAMI框架通过成本感知型多索引优化RAG管道

研究人员开发了CAMI（成本感知型代理引导的多索引），一个旨在优化检索增强生成（RAG）管道的语义丰富索引创建过程的新框架。该框架解决了由丰富类型和生成器模型的组合性质引起的计算瓶颈。CAMI将索引构建形式化为一个有预算的多目标投资组合选择问题，能够在严格的预算限制下有效识别高召回率的投资组合。评估表明，与仅基于内容的基线相比，CAMI的recall@10可以提高高达9.4%，并且比随机搜索方法使用的预算少5倍，使其在生产环境中具有实用性。 AI

影响 优化RAG管道，可能提高AI应用的搜索效率和召回率。

排序理由 该项目是一篇研究论文，详细介绍了一种新的语义检索框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Litmaps
• Retrieval-Augmented Generation
• ScienceCast
• scite Smart Citations

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →