本文是LLM系列文章,针对《Enhancing Textbook Question Answering Task with Large Language Models and Retrieval Augmented Generation》的翻译。
摘要
由于上下文和多模态数据的复杂性,教科书问答在人工智能中是一项具有挑战性的任务。尽管之前的研究已经显著改进了这项任务,但仍存在一些局限性,包括模型推理能力弱,无法在长时间的上下文中捕捉上下文信息。大型语言模型(LLM)的引入彻底改变了人工智能领域,然而,直接应用LLM往往会导致不准确的答案。本文提出了一种方法来处理TQA中的“领域外”场景,其中通过结合检索增强生成(RAG)技术将概念传播到不同的课程中,并利用迁移学习来处理长上下文和增强推理能力。通过对LLM模型Llama-2的监督微调和RAG的结合,我们的体系结构优于基线,在非图表多项选择题的验证集和测试集上分别实现了4.12%和9.84%的准确率提高。
1 引言
2 相关工作
3 书本问答数据集
4 信息检索
5 微调大语言模型,Llama2
6 实验和结果
7 结论
书本问答由于其复杂性在人工智能领域提出了重大挑战。随着新的大型语言模型(LLM)的引入,该领域正在迅速发展,从根本上改变了游戏的动态。本文仅关注TQA任务的文本部分,将视觉部分的集成留给未来的工作。我们依