每日推荐一篇专注于解决实际问题的外文,精准翻译并深入解读其要点,助力读者培养实际问题解决和代码动手的能力。
欢迎关注公众号(NLP Research),及时查看最新内容
原文标题:Innovations In Retrieval Augmented Generation
原文地址:https://medium.com/emalpha/innovations-in-retrieval-augmented-generation-8e6e70f95629
检索增强生成(RAG)提供了将 ChatGPT/GPT-4 等大型语言模型与自定义数据集集成的途径,但存在一些局限性。让我们了解一下最近的 RAG 研究创新如何解决其中的一些问题。
一个图
大型语言模型(LLM)将彻底改变金融行业。其中一个应用场景是利用大型语言模型来研究大量文件,以在短时间内找到趋势,并且成本仅为分析师的一小部分。但问题是,你得到的答案往往是片面和不完整的。举例来说,您有一份包含 X 公司过去 15 年年收入的文档,但分布在不同的部分。在标准的检索增强生成(RAG)架构(如下图所示)中,你通常会检索前 k 个文档,或者在固定上下文长度内