PulseAugur
中
实时 06:15:12
实体 Retrieval

Retrieval

PulseAugur coverage of Retrieval — every cluster mentioning Retrieval across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
10
90 天内 19
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 9
层级分布 · 90 天
主题
情绪 · 30 天

5 天有情绪数据

最近 · 第 1/1 页 · 共 19 条
  1. TOOL · CL_367360 ·

    新的多目标检索方法增强科学数据搜索

    研究人员开发了一种新的科学数据多目标检索方法,该方法在观测数据集异构的天文学领域特别有用。该方法使用通过基于帕累托最优的多目标优化融合的单独训练的嵌入,提供了多模态基础模型的自适应替代方案。该方法保留了特定模态的距离结构,使科学家能够更好地理解驱动相似性的物理信号,并提高检索到的候选对象的保真度。

  2. COMMENTARY · CL_363588 ·

    聊天机器人成本因 token 和上下文窗口机制而飙升

    聊天机器人的使用成本会因 token 和上下文窗口的概念而显著增加。模型通过将文本分解成 token 来处理文本,并且请求的总 token 数(包括系统提示、聊天记录、文档和预期答案)必须在模型的上下文窗口内。随着聊天的进行,每次新消息都会重新发送整个历史记录,导致 token 数量呈指数级增长,从而导致后期消息的成本远高于早期消息。为了管理这些成本,开发人员可以实施检索增强生成等策略,仅发送相关信息,总结旧的聊天轮次,并单独为请求的…

  3. COMMENTARY · CL_340001 ·

    由于缺乏细粒度的费用跟踪,AI代理成本激增

    随着AI代理变得越来越复杂,其相关成本正在显著增加,一个团队的推理支出就增加了三倍。核心问题在于缺乏细粒度的成本归因,因为当前的监控工具按API密钥或端点跟踪费用,未能精确指出代理工作流程中是哪个特定功能或内部步骤导致了成本的增加。这使得财务和工程团队难以理解和管理不断上涨的费用,尤其是在工作单元从单个API调用转向多步骤代理流程的情况下。

  4. COMMENTARY · CL_334083 ·

    RAG 与微调:根据失败类型选择合适的 LLM 策略

    本文探讨了检索增强生成(RAG)与微调这两种大型语言模型策略的选择,并提出了一种基于遇到的失败类型的分层方法。提示被视为最初且成本最低的层,其次是用于知识差距的 RAG,以及用于行为调整的微调。只有当单个查询无法得出答案时,才推荐使用智能体搜索,并强调每种方法都解决了特定的局限性。

  5. COMMENTARY · CL_313182 ·

    AI技术栈的复杂性已超越模型,延伸至数据、推理和可观测性

    AI系统的复杂性已超越核心模型本身,涵盖了更广泛的技术栈组件。数据管理、检索机制、上下文处理、推理过程、评估指标和可观测性工具等关键要素对于塑造有效的生产AI至关重要。理解这些相互关联的部分对于构建和部署先进的AI解决方案至关重要。

  6. TOOL · CL_315512 ·

    新的CAPE方法恢复了生成式推荐器中长尾物品的召回能力

    一篇新的arXiv论文介绍了一种名为CAPE(共现感知池扩展)的方法,旨在通过恢复生成式推荐系统对长尾物品的召回能力来改进它们。当前的生成模型常常会遗忘这些不太受欢迎的物品,因为它们的检索和排序机制基于共享分数,这有利于更受欢迎的“头部”物品。CAPE作为一个插件,重新引入了物品级别的记忆能力,在不显著增加延迟的情况下提高了检索和排序的准确性。在产品和音乐领域的实验证明,与现有方法相比,CAPE在提高长尾准确性方面是有效的。

  7. COMMENTARY · CL_308370 ·

    通过用户意图和更智能的检索技术增强 RAG 系统

    本文深入探讨了通过关注用户意图来增强检索增强生成(RAG)系统。文章探讨了意图检测、自查询检索、元数据过滤和查询重写等技术,以提高生产环境中信息检索的准确性和相关性。该文章是 RAG 工程系列文章的第八部分。

  8. TOOL · CL_295895 ·

    RAG与微调:选择正确的AI聊天机器人增强方式

    检索增强生成(RAG)是一种增强聊天机器人的技术,它允许聊天机器人在用户查询时访问和引用外部文档,而无需进行广泛的再训练。当聊天机器人需要根据特定、最新的信息(如产品手册或公司政策)回答问题时,这种方法特别有用。另一方面,微调会改变模型的行为、语气或格式以适应重复性任务,但在事实回忆方面效果较差。部署RAG聊天机器人的实用清单包括:定义一个有限的使用场景,通过清理和分块来准备文档,将检索与生成分开测试,确保有安全的回退机制并提供基于证…

  9. TOOL · CL_284232 ·

    分块困境:为 RAG 系统优化文档拆分

    为检索增强生成(RAG)准备文档的过程包括将大型文本分解成称为“块”(chunks)的更小、可管理的部分。这种“分块”至关重要,因为直接将整个文档输入大型语言模型(LLM)会导致成本增加、响应时间变慢以及“中间遗失”问题(即重要信息被忽略)。挑战在于确定最佳的块大小和拆分策略,以在不导致检索不精确的情况下保留上下文。

  10. RESEARCH · CL_284179 ·

    高级 RAG 技术增强检索准确性和向量数据库集成

    这一系列文章深入探讨了用于检索增强生成(RAG)的高级技术,重点是提高检索的准确性和效率。第一篇文章探讨了语义分块、父文档检索和上下文检索,以处理复杂文档并弥合小型搜索片段与大型语言模型(LLM)所需的大型上下文之间的差距。第二篇文章讨论了各种向量数据库,如 Pinecone、Weaviate 和 Qdrant,详细介绍了它们在 RAG 系统中的索引、混合搜索功能和可扩展性。第三篇文章比较了 Ragas 和 Truvec 在 RAG …

  11. RESEARCH · CL_273431 ·

    新的AutoDataBench测试平台分离了AI代理的数据智能

    研究人员推出AutoDataBench,一个新的测试平台,旨在分离和评估AI代理中的“数据智能”。该框架旨在将数据改进的影响与训练框架或超参数等其他因素的影响区分开来,而这些因素通常会使现有基准复杂化。AutoDataBench专注于代理通过数据诊断、组织和构建任务来理解、操作和增强其自身训练数据的能力。该系统还研究代理是否可以通过迭代反馈来预测其数据干预的影响并提高其理解能力,研究结果表明,重复使用这些研究轨迹可以提高下游编码性能。

  12. TOOL · CL_200759 ·

    研究人员声称AI文本检测面临根本性的碰撞熵下界

    一位研究人员提出了一种形式化方法,表明基于相似性的AI文本检测器(如水印和检索方法)在其误报率方面面临根本性的限制。核心论点是,任何用于检测的确定性统计量都不能增加底层文本分布的碰撞熵。这意味着,随着文本生成约束的收紧,导致熵降低,检测下界就会升高,可能使接收者操作特征曲线崩溃到随机水平。研究人员寻求对其数据处理论证及其与现有工作(特别是Silva(2026)的框架)的联系进行验证,以确认其在简单分类之外的匹配博弈场景中的适用性。

  13. RESEARCH · CL_200114 ·

    LLM 与嵌入模型:新研究发现代价高昂的均等性

    一篇题为《嵌入器的困境》的新论文比较了大型语言模型(LLM)与专用嵌入模型在各种任务上的性能和成本。研究发现,虽然像 Gemini 3.1 Pro 这样的 LLM 在平均表现上与顶级嵌入模型相当,但它们的成本却高得多,速度也慢得多。LLM 在推理密集型检索任务上表现出色,而嵌入模型更适合分类任务,两种范式在聚类和语义文本相似性方面的表现相似。

  14. TOOL · CL_188690 ·

    特征存储解决了机器学习训练-服务漂移和目标泄露问题

    特征存储对于生产环境的机器学习至关重要,它解决了训练和提供服务环境之间特征定义漂移的关键问题。这种漂移会悄无声息地降低模型性能,尤其是在高风险预测场景下,因为模型是在一个数据分布上训练的,却在另一个数据分布上进行评分。为了确保时间点正确性,特征存储提供了历史特征值,从而防止目标泄露并保持模型完整性。

  15. RESEARCH · CL_180685 ·

    DART架构通过融合Transformer和SSM来增强长上下文序列建模

    研究人员推出了一种新颖的架构DART(Decoded Attention over Recurrent States),它结合了Transformer和状态空间模型(SSMs)的优势,用于高效的长上下文序列建模。DART基于Mamba-2,通过从SSM的压缩状态解码token条件化的键和值来实现状态-记忆注意力(SMA)。与传统的注意力机制相比,这种方法显著降低了推理缓存需求,并在保持语言建模质量的同时增强了联想回忆和检索能力。

  16. TOOL · CL_158836 ·

    科隆信息检索小组展示代理式对话搜索系统

    科隆信息检索小组的研究人员为 iKAT SCAI 2026 共享任务开发了一个代理式对话搜索系统。该系统集成了查询重写、检索、重排序和答案生成工具。他们的工作重点是澄清需求预测和澄清问题的生成,并为此目的在两个不同的神经网络模型上进行了实验。

  17. RESEARCH · CL_143683 ·

    新研究质疑用于时间序列预测的光谱分析

    最近的两篇arXiv论文探讨了在结合外部上下文时,使用光谱分析进行时间序列预测的局限性。第一篇论文介绍了CAF-7M,这是一个旨在通过解决上下文质量差的问题来改进上下文辅助预测的大型数据集,表明数据集质量是关键瓶颈。第二篇论文认为,光谱指数不足以预测来自检索插件或基础模型的上下文的价值,并提出了一个名为“覆盖缺口”的新诊断方法,以更好地评估部署决策。

  18. RESEARCH · CL_128512 ·

    新的基准测试评估葡萄牙语文本嵌入模型,揭示性能差距

    发布了两个新的基准测试 MTEB-PT 和 MTEB-PT(巴西葡萄牙语),专门用于评估葡萄牙语的文本嵌入模型。这些基准测试解决了现有评估中葡萄牙语代表性不足的问题,而现有评估通常依赖于翻译的数据集或多语言平均值。新的基准测试包含大量葡萄牙语原生任务,涵盖语义文本相似性、分类、检索和重新排序等多个类别。初步评估表明,模型性能高度依赖于任务,并且在多语言基准测试上的排名并不能可靠地预测葡萄牙语特定性能,这凸显了进行原生语言评估的必要性。

  19. COMMENTARY · CL_113952 ·

    LLM上下文窗口不是知识库;策略性选择是关键

    文章认为,仅仅增加LLM的上下文窗口大小并不等同于有效的上下文工程。相反,它强调了在正确的时间策略性地选择和呈现最相关信息给模型的重要性。作者提出了一个有用的上下文的七层模型,包括系统指令、任务契约、示例、检索、工作记忆、工具描述和近期历史,以确保高信号信息优先于不相关或冗余数据。