PulseAugur
实时 07:46:23
English(EN) ROZA Graphs: Self-Improving Near-Deterministic RAG through Evidence-Centric Feedback

ROZA Graphs通过以证据为中心的反馈提高RAG的准确性和效率

研究人员开发了ROZA Graphs,这是一种通过整合以证据为中心的反馈来增强检索增强生成(RAG)系统的新方法。该方法将每个证据的思维链存储为结构化边,使系统能够从过去对特定证据项的判断中学习。该系统通过重用推理路径来提高准确性,并通过修剪一致被拒绝的候选者来提高效率,从而在不改变基础语言模型的情况下,显著提高准确性并降低成本和延迟。 AI

影响 引入了一种通过持久推理图来提高RAG准确性和效率的方法,有可能降低LLM应用的成本和延迟。

排序理由 这是一篇详细介绍改进RAG系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

ROZA Graphs通过以证据为中心的反馈提高RAG的准确性和效率

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Matthew Penaroza ·

    ROZA Graphs: Self-Improving Near-Deterministic RAG through Evidence-Centric Feedback

    arXiv:2604.07595v3 Announce Type: replace-cross Abstract: Language model agents reason from scratch on every query, discarding their chain of thought after each run. The result is lower accuracy and high run-to-run variance. We introduce reasoning graphs, which persist the per-ev…