DalšíDalší průvodce
Spekulativní RAG a Retrieval-Augmented Drafting
Technický
Jazyk AI GUIDE
Self-RAG se učí, kdy načíst, a používá žetony odrazu k hodnocení průchodů a generovaných segmentů.
Poslechněte si tento návodAI-vyprávěný · ~2 min
These critiques can guide generation, but they are model predictions rather than independent proof that an answer is correct.
Self-RAG, introduced by Asai and colleagues in 2023, interleaves generation with learned retrieval and critique decisions. Retrieve tokens indicate whether external passages should be fetched. IsRelevant vyhodnocuje relevanci pasáže; IsSupported predicts whether the generated segment is supported; IsUseful vyhodnocuje užitečnost odezvy. The method can make retrieval decisions as generation progresses, rather than using only one fixed retrieval step for the whole response. Porovnává se s pevnými základními hodnotami vyhledávání v dokumentu, což není důkaz, že každý jiný systém RAG vždy načítá nebo nikdy nekontroluje důkazy. Kritika ovlivňuje výběr kandidátů a může zlepšit výsledky ve studovaných prostředích, ale předpokládaná podpora může být chybná a stále vyžaduje vyhodnocení.
Comparing adaptive retrieval with a baseline that retrieves for every input.
Using predicted passage relevance to score alternative evidence contexts.
Weighting predicted support when choosing generated answer segments.
Evaluating support judgments against independently checked references.
Reflexní vyhledávání se sbližuje s agentním RAG, kde modely plánují vícekrokové vyhledávání, volací nástroje a samočinné opravy napříč iteracemi. Očekávejte těsnější integraci sebekritiky s modely ověřovatelů, vyhledávání v grafech znalostí a posilování učení, které odměňuje věrné a dobře citované odpovědi. Jak modely uvažování dospívají, vyhledávání na vyžádání a samohodnocení se pravděpodobně stane výchozím chováním spíše než samostatným rámcem, přičemž model dynamicky rozhoduje o tom, kolik důkazů vyžaduje každé tvrzení.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Self-RAG se učí, kdy načíst, a používá žetony odrazu k hodnocení průchodů a generovaných segmentů. Tyto kritiky mohou vést generování, ale jsou to modelové předpovědi spíše než nezávislý důkaz, že odpověď je správná.
Tokeny načítání podporují adaptivní načítání. Other RAG designs may also be adaptive, so this contrast is scoped to the fixed-retrieval baseline.
Reflexní tokeny jako IsRelevant, IsSupported a IsUseful umožňují modelu kritické pasáže a jeho vlastní výstup.
The token is a model-generated support judgment that can guide generation but may be wrong.
Self-RAG se učí z tréninkových dat anotovaných reflexními tokeny, často generovanými schopnějším modelem učitele, jako je GPT-4.
Kritizací relevance každé pasáže může Self-RAG ignorovat vyhledávání mimo téma, místo aby je cpal do odpovědi.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Spekulativní RAG a Retrieval-Augmented Drafting
Technický