PulseAugur
中
实时 05:28:57
English(EN) Faithfulness-QA: A Counterfactual Entity Substitution Dataset for Training Context-Faithful RAG Models

研究人员发布 Faithfulness-QA 数据集以训练上下文忠实的 RAG 模型

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了 Faithfulness-QA，一个包含近 10 万个样本的新数据集，旨在训练检索增强生成（RAG）模型优先考虑检索到的上下文而非其内部知识。该数据集通过系统地替换现有问答基准中的命名实体为替代项来创建，从而在上下文和参数记忆之间产生冲突。该资源旨在提高 RAG 系统的忠实度，并为其提供评估其上下文基础能力的基准。 AI

影响 通过提供用于训练上下文基础能力的数据集，提高了 RAG 模型的忠实度。

排序理由 发布用于训练和评估 RAG 模型的新数据集。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

研究人员发布 Faithfulness-QA 数据集以训练上下文忠实的 RAG 模型

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Li Ju, Junzhe Wang, Qi Zhang ·

    Faithfulness-QA: A Counterfactual Entity Substitution Dataset for Training Context-Faithful RAG Models

    arXiv:2604.25313v1 Announce Type: new Abstract: Retrieval-Augmented Generation (RAG) models frequently produce answers grounded in parametric memory rather than the retrieved context, undermining the core promise of retrieval augmentation. A fundamental obstacle to fixing this un…

  2. arXiv cs.CL TIER_1 English(EN) · Qi Zhang ·

    Faithfulness-QA: A Counterfactual Entity Substitution Dataset for Training Context-Faithful RAG Models

    Retrieval-Augmented Generation (RAG) models frequently produce answers grounded in parametric memory rather than the retrieved context, undermining the core promise of retrieval augmentation. A fundamental obstacle to fixing this unfaithfulness is the lack of training data that e…

相关实体

相关话题