安全团队使用工单数据微调Reranker，提升RAG效果

一个安全运营团队通过使用现有的工单数据微调Reranker模型，增强了其RAG（检索增强生成）流程。这种方法利用了分析师在结案笔记中隐含的相关性判断，在不改变模型架构或嵌入模型的情况下，使平均倒数排名（MRR）提高了41%。该团队发现，通过分析分析师如何引用之前的工单，他们可以为Reranker生成有价值的训练数据，从而提高其将LLM（大语言模型）的答案与相关历史安全工单关联起来的能力。 AI

影响 展示了一种通过利用现有数据中的隐含用户反馈来改进RAG系统的成本效益方法，可能减少对昂贵显式标注的依赖。

排序理由 文章详细介绍了通过新颖的数据源方法进行微调，对AI系统（RAG流程Reranker）进行的具体技术改进，这类似于应用AI领域的研究里程碑。[lever_c_demoted from research: ic=1 ai=1.0]

在 dev.to — LLM tag 阅读 →

• bge-reranker-v2-m3
• LLM
• Qwen3-Embedding-8B
• XSOAR

• 产品
• 论文

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