self-RAG

写的太通透了！大模型自省式 RAG 与 LangGraph 的实践！

本文讲解了自省式RAG的基础原理以及基于LangGraph的实践演示自省式RAG与LangGraph重要链接关于Self-RAG和CRAG的教程手册演示视频研究背景由于大多数大型语言模型（LLMs）通常只针对大量公共数据进行周期性训练
Python算法实战·2024-02-12 23:17

Self-RAG：通过自我反思学习检索、生成和批判

论文地址：https://arxiv.org/abs/2310.11511项目主页：https://selfrag.github.io/Self-RAG学习检索、生成和批评，以提高LM的输出质量和真实性
lichunericli·2024-01-21 08:27

从 RAG 到 Self-RAG —— LLM 的知识增强

作者：紫气东来（上海交大工学硕士）一、RAG及其必要性1.1初识RAGRAG（RetrievalAugmentedGeneration,检索增强生成），即LLM在回答问题或生成文本时，先会从大量文档中检索出相关的信息，然后基于这些信息生成回答或文本，从而提高预测质量。RAG方法使得开发者不必为每一个特定的任务重新训练整个大模型，只需要外挂上知识库，即可为模型提供额外的信息输入，提高其回答的准确性。
人工智能与算法学习·2024-01-12 09:10

探索检索增强生成（RAG）技术的无限可能：Vector+KG RAG、Self-RAG、多向量检索器多模态RAG集成

探索检索增强生成（RAG）技术的无限可能：Vector+KGRAG、Self-RAG、多向量检索器多模态RAG集成由于RAG的整体思路是首先将文本切分成不同的组块，然后存储到向量数据库中。
汀、人工智能·2024-01-10 14:31

LLM之RAG实战（四）：Self-RAG如何革命工业LLM

论文地址：https://arxiv.org/pdf/2310.11511.pdfGithub地址：https://github.com/AkariAsai/self-rag尽管LLM（大型语言模型）的模型和数据规模不断增加
wshzd·2023-12-15 05:01

全新Self-RAG框架亮相，自适应检索增强助力超越ChatGPT与Llama2，提升事实性与引用准确性

全新Self-RAG框架亮相，自适应检索增强助力超越ChatGPT与Llama2，提升事实性与引用准确性1.基本思想大型语言模型（LLMs）具有出色的能力，但由于完全依赖其内部的参数化知识，它们经常产生包含事实错误的回答
汀、人工智能·2023-11-24 10:18

RAG检索增强生成只是起步，真正的智能问答=强化学习+大模型（各类型）， 实现智能调度，SELF-RAG（自反思）。

RAG检索增强生成是近期几个大模型应用方向上最难下笔的一个：一方面是因为技术方案仍在快速迭代；另一方面是市场对它的认知还存在一定偏差。目前市场认为：chatBI（让大模型做数据查询和分析）很有用但是有难度；Agent（让大模型自助规划任务实现用户复杂的需求）虽然很酷炫，但是落地的应用少，不够成熟。而对于RAG，企业都很明确它的价值，并且技术实现上，一顿组合拳疯狂输出（文本切割+向量数据库+大模型）
汀、人工智能·2023-11-19 19:01

超越ChatGPT和Llama2，新一代检索增强方法Self-RAG来了原创

作者|ZenMoore前言大型语言模型（LLMs）具有出色的能力，但由于完全依赖其内部的参数化知识，它们经常产生包含事实错误的回答，尤其在长尾知识中。为了解决这一问题，之前的研究人员提出了检索增强生成（RAG），它通过检索相关知识来增强LMs的效果，尤其在需要大量知识的任务，如问答中，表现出色。但RAG也有其局限性，例如不加选择地进行检索和只整合固定数量的段落，可能导致生成的回应不够准确或与问题不
夕小瑶·2023-10-22 09:13

SELF-RAG: LEARNING TO RETRIEVE, GENERATE, AND CRITIQUE THROUGH SELF-REFLECTION

本文是LLM系列文章，针对《SELF-RAG:LEARNINGTORETRIEVE,GENERATE,ANDCRITIQUETHROUGHSELF-REFLECTION》的翻译。
UnknownBody·2023-10-20 22:34
上一页 1 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他