新框架评估主动RAG的预算感知和成本

一篇新研究论文提出了一个针对主动检索增强生成（RAG）系统的预算感知评估框架。该论文将主动检索重构为一个效用估计问题，区分了触发分数排序、阈值校准和计算成本的问题。通过分析多跳问答数据集和指令模型，研究强调检索的损害可能非常显著，并且简单的基线通常与学习到的效用路由器表现相当。作者主张在未来的评估中报告详细指标，如效用前沿、实际使用情况和成本分解。 AI

影响 为检索增强生成系统引入了更严格的评估方法，有可能提高其效率和可靠性。

排序理由 一篇在arXiv上发表的研究论文，详细介绍了主动RAG系统的新评估框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Active RAG
• alphaXiv
• arXiv
• CatalyzeX
• Costco
• DagsHub
• Hugging Face
• instruction models
• Multi-Hop QA
• retrieval-augmented generation

• 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 →