两篇新的研究论文介绍了增强大型语言模型(LLM)的检索增强生成(RAG)的新方法。第一篇论文HYPER提出了一个无需训练的框架,该框架通过使用临时的答案假设来指导检索,以寻求特定证据,从而提高了在医学和通用知识基准上的准确性。第二篇论文CURATOR专注于可扩展的细粒度证据选择,通过训练一个决策模型来高效地识别检索到的段落中的关键部分,从而提高了RAG的性能,尤其是在数据有限的情况下。 AI
影响 这些方法旨在通过使LLM能够更好地从外部知识源中选择和利用相关证据来提高其准确性和效率。
排序理由 arXiv上发表的两篇研究论文介绍了改进检索增强生成的新方法。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- arXiv
- Curator
- DagsHub
- Hugging Face
- retrieval-augmented generation
- Shib Sankar Dasgupta
- Hyper Brand
- Jong Chul Ye
- large-language models
- MedQA
- MMLU-Med
- MMLU-Pro
- Simple RAG
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →