monthly recurring revenue
PulseAugur coverage of monthly recurring revenue — every cluster mentioning monthly recurring revenue across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
评估 RAG 系统：指标和分层工具
本文讨论了评估检索增强生成 (RAG) 系统的实用方法，超越了主观评估。它强调了通过使用 Precision@k、Recall@k、MRR 和 nDCG 等特定指标来区分检索失败和生成失败的重要性。作者提出了一个分层评估工具，其中包括确定性检查和 LLM 作为裁判的方法，以确保对 RAG 性能进行稳健且可重现的评估。
-
Cerebras 知识库通过 MCP 服务器和改进的检索功能不断发展
这一系列博文详细介绍了为 Cerebras 开发知识库系统，重点关注其检索和代理功能。最初，该系统使用混合检索方法和 LLM 重排序器，实现了高召回率但难以精确排序。随后的博文引入了 LLM 蒸馏和“突发”技术来优化语料库，提高了深层检索的召回率。最终的迭代专注于创建一个 MCP（元认知处理）服务器，该服务器公开无 LLM 的检索工具，允许 Claude Code 等外部代理进行规划和合成，从而降低成本并提高确定性。
-
AI助手未能准确追踪不断变化的业务指标
AI助手对每月经常性收入（MRR）查询的响应可能无法反映实际业务指标，因为财务部门对其定义发生了变化。这些变化可能包括计划的计算方式、信用处理、取消的有效性或汇率。为确保准确性，生产指标需要不可变的定义，明确规定总体、粒度、过滤器、维度、时区、生效日期和策略摘要。在部署之前，故意选择指标版本并解释新旧定义之间的任何差异至关重要。
-
因子化假设搜索改进了证据到分类法的检索
研究人员开发了因子化假设搜索（FHS），这是一种改进证据到分类法检索的新方法，解决了间接证据未明确链接到目标概念的“检索就绪差距”。FHS通过在语义维度上维护多个部分解释来工作，从而实现结构化查询渲染和候选验证。与现有方法相比，该方法在金融分类标记和临床编码任务的Recall@1、MRR和准确性方面表现出优越的性能。
-
研究论文提出将 Git 作为 AI 编码代理的内存解决方案
一篇新研究论文提出使用版本控制系统 Git 作为 Agentic 开发生命周期 (ADLC) 的内存解决方案。作者认为，Git 本身的功能，如提交 (commits)、合并 (merges) 和审查 (reviews)，可以为编码代理决策背后的推理提供真实性、时效性和验证，而这些信息通常在会话记录中丢失。提出的系统将 Git 与检索机制集成，以重建代码更改背后的逻辑，旨在提高答案的充分性并减少处理的历史数据量。
-
Apple TV搜索系统使用混合嵌入来增强个性化
Apple的机器学习研究团队为Apple TV搜索开发了一个个性化系统，该系统可以增强增量搜索结果。该系统结合了基于文本和基于ID的嵌入，分别使用对比学习和交互数据进行训练。当集成到XGBoost ranker中时，这种混合方法显著提高了NDCG@10和MRR等指标，特别是对于模糊、短前缀查询和具有广泛观看历史记录的用户。在线实验证实了这些改进，提高了点击率和转化率。
-
RAG评估指标：命中率和MRR提升搜索质量
本文详细介绍了一种使用命中率（Hit Rate）和平均倒数排名（MRR）指标评估检索增强生成（RAG）系统的方法。作者创建了一个包含360个问题和72个课程页面的基准，测试了关键词搜索、向量搜索和混合方法。结合关键词搜索和向量搜索并使用倒数排名融合（Reciprocal Rank Fusion）的混合搜索，取得了最高的命中率（0.84）和MRR（0.65），优于单独的方法。作者强调了对RAG系统进行定量评估的重要性，以便在调整参数时做…
-
检索评估指标详解：P@K、MRR、NDCG
本文解释了用于评估检索系统性能的关键检索评估指标，包括 Precision@K (P@K)、Recall@k、Mean Reciprocal Rank (MRR) 和 Normalized Discounted Cumulative Gain (NDCG@K)。文章强调了这些指标如何捕捉排名的不同方面，并且有时会产生冲突的结果。该教程还提供了 Python 代码来构建一个评估框架，用于计算这些指标，模拟不同检索架构之间的比较，并为部署…
-
通过混合搜索和性能指标提高 RAG 的准确性
本文探讨了提高检索增强生成 (RAG) 系统准确性的技术，重点关注改进相关块的检索。文章详细介绍了混合搜索等方法，该方法将向量相似性与 BM25 等关键字匹配相结合，以及使用元数据过滤来缩小搜索范围。文章还讨论了分块策略的重要性，并介绍了 recall@k、precision@k、MRR 和 nDCG 等关键指标，用于对 RAG 性能进行量化评估。