![](https://i-blog.csdnimg.cn/direct/63ee42f9039648f1be71206d14ccc677.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
AIGC前沿技术追踪
文章平均质量分 80
AIGC前沿技术追踪
RUN_1991
一线架构师,二线农民工,大数据行业出身,最近在搞AI智能问答
展开
-
Agent四大范式 | 综述:全面理解Agent工作原理
随着大型语言模型(LLMs)展现出显著的智能,将其应用于自主代理规划模块的研究受到了广泛关注。本综述首次系统性地审视了基于 LLM 的代理规划,涵盖了提升规划能力的最新研究成果。我们对现有的 LLM-代理规划研究进行了分类,将其分为任务分解、计划选择、外部模块、反思和记忆等类别,并针对每个方向进行了深入分析。同时,我们也探讨了该研究领域面临的挑战。原创 2024-09-12 10:13:44 · 269 阅读 · 0 评论 -
又来一个RAG:RankRAG,英伟达RAG新思路
我们提出了一种名为 RankRAG 的创新指令微调框架,该框架使单个 LLM 能够同时进行上下文排序和答案生成,显著提升了 RAG 的性能。通过在训练中融入少量排序数据,RankRAG 不仅超越了专门优化的排序模型,还在生成任务上表现卓越,击败了包括 GPT-4 在内的多个顶尖模型。特别是在知识密集型和生物医学领域的基准测试中,RankRAG 展现了其强大的泛化能力,无需特定领域的微调即可与 GPT-4 媲美。原创 2024-09-12 09:30:36 · 368 阅读 · 0 评论 -
HomeDepot:RAG能否在提高客服实际效率?ReACT推理是否有帮助?
RAG based Question-Answering for Contextual Response Prediction System大型语言模型 (LLM) 在多种 NLP 任务中表现出色,尤其在问答系统方面潜力巨大。然而,在行业应用中,为了提供精准且相关的信息,LLM 需要依赖全面的知识库,以避免信息失真。检索增强生成 (RAG) 技术应运而生,成为解决这一难题的希望。但利用 RAG 构建实际应用中的问答框架,仍面临三大挑战:数据获取难、生成内容质量评估难、人工评估成本高。本文提出一个端到端框架,原创 2024-09-11 11:32:40 · 463 阅读 · 0 评论 -
下一代RAG:MemoRAG
MemoRAG是一个建立在高效、超长记忆模型之上的创新 RAG(Retrieval-Augmented Generation)框架,由智源研究院(北京人工智能研究院)与中国人民大学高瓴人工智能学院联合推出并开源。MemoRAG:通过记忆启发的知识发现迈向下一代RAG,为 RAG 提供基于内存的数据接口,适用于多种用途的应用程序!原创 2024-09-11 11:14:04 · 524 阅读 · 0 评论 -
新鲜出炉2个RAG技巧,高级RAG更高级!
上周比较火的2个内容,一个是 JinaAI 发布的一个关于 late chunking 的博客,另外一个是英伟达最新挂出来的 RAG-OP 的论文。2个都能让已有的 RAG 系统召回测有一个比较不错的提升,并且实现都非常容易。原创 2024-09-10 10:20:35 · 466 阅读 · 0 评论 -
GoogleSQL:SQL 中的 Pipe 语法
SQL 长期以来一直是结构化数据处理的主导语言,通过本文,GoogleSQL 团队引入了一种新的管道结构化数据流语法,该语法显著提高了 SQL 的可读性、可扩展性和易用性。原创 2024-09-06 11:05:55 · 1034 阅读 · 0 评论 -
南大与微软EfficientRAG:迭代分解Query提升多跳问答效果!
多跳问答是一类复杂的查询,需要通过多步骤推理来找到答案,这通常超出了单个信息检索回合能够提供的信息范围。为了解决复杂问题,南大与微软提出EfficientRAG,它由两个轻量级组件构成:Labeler & Tagger和Filter。这两个组件都作为标记级别的分类器,用于识别和过滤信息。原创 2024-09-05 09:35:55 · 398 阅读 · 0 评论