研究人员开发了 DRAG，一个旨在动态适应检索增强生成 (RAG) 系统中检索器和生成器配置的新框架。与使用固定设置的传统 RAG 系统不同，DRAG 分析查询复杂性以优化资源分配。该框架包括一种无需训练的方法 DRAG$_ ext{QPP}$，它使用查询性能预测和困惑度度量，以及一种监督方法 DRAG$_ ext{SFT}$，它对 LLM 进行微调以进行配置预测。跨多个 LLM 系列和基准的实验表明，与静态 RAG 管道相比，DRAG 在实现相当或更佳效果的同时，可以显著降低推理延迟。 AI
影响 这项研究通过根据查询复杂性动态调整配置，有望实现更高效、更有效的 RAG 系统。
排序理由 该集群包含一篇详细介绍 RAG 系统新框架的研究论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- arXiv
- DRAG$_ ext{QPP}$
- DRAG$_ ext{SFT}$
- QA
- Query Performance Prediction
- retrieval-augmented generation
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
