SeterusnyaPanduan seterusnya
Penindasan Bukan Maksimum
AI Visual
PANDUAN AI Bahasa
Perkaitan Marginal Maksimum
Perkaitan Marginal Maksimum (MMR) ialah kaedah penarafan semula yang mengimbangi sejauh mana relevan sesuatu hasil berbanding perbezaannya daripada hasil yang telah dipilih.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
Menyelam dalam
Apabila sistem carian menjaringkan dokumen semata-mata berdasarkan kaitan dengan pertanyaan, hasil teratas selalunya berlebihan — lima petikan semuanya menyatakan perkara yang sama. MMR, yang diperkenalkan oleh Carbonell dan Goldstein pada tahun 1998, membetulkannya dengan memilih hasil satu demi satu. Pada setiap langkah ia memilih calon yang memaksimumkan adunan berwajaran: lambda menggandakan kaitannya dengan pertanyaan, tolak (1 tolak lambda) digandakan kesamaan maksimumnya dengan apa-apa sahaja yang telah dipilih. Lambda dekat 1 mengutamakan perkaitan tulen; dekat 0 ia memihak kepada kepelbagaian. Dalam penjanaan ditambah perolehan, MMR popular kerana mengambil set potongan yang pelbagai supaya model bahasa melihat bukti pelengkap dan bukannya fakta yang sama berulang, meningkatkan liputan tanpa membesarkan konteks.
Pelaksanaan Dunia Sebenar
Bot sembang RAG menggunakan pengambilan MMR supaya 5 bahagian teratasnya merangkumi aspek dasar yang berbeza dan bukannya lima perenggan perenggan yang sama.
Alat ringkasan penyelidikan menggunakan MMR untuk memilih petikan yang meminimumkan pertindihan, menghasilkan ringkasan yang lebih luas dan kurang berulang.
Agregator berita menyusun artikel dengan MMR untuk menunjukkan liputan yang berbeza-beza tentang sesuatu acara dan bukannya sepuluh saluran mengulangi satu berita.
Retriever kedai vektor LangChain mendedahkan search_type='mmr' dengan fetch_k dan lambda_mult untuk mempelbagaikan dokumen yang dikembalikan.
Masa Depan Perkaitan Marginal Maksimum
MMR kekal sebagai lalai ringan dalam pelanggan pangkalan data vektor seperti LangChain dan Chroma, di mana ia ditawarkan sebagai mod dapatkan semula satu baris. Sistem masa hadapan semakin memadankannya dengan objektif kepelbagaian yang dipelajari, pemilihan berasaskan kluster dan penaraf semula pengekod silang yang menilai kebaharuan lebih semantik daripada jarak kosinus. Apabila tetingkap konteks berkembang, penekanan beralih daripada menjimatkan ruang kepada menyusun bukti yang benar-benar pelengkap, memastikan pemilihan sedar kepelbagaian seperti MMR relevan walaupun kapasiti mentah adalah banyak.
Mempraktikkannya
Mengapa ia penting
- Kelajuan dan skala. Aliran kerja bahasa boleh bergerak lebih pantas tanpa mengorbankan konsistensi.
- Akses dan capai. Ia meluaskan akses merentas bahasa dan gaya komunikasi.
- Keputusan yang lebih jelas. Pasukan boleh menghabiskan lebih banyak masa untuk membuat pertimbangan manakala automasi mengendalikan pengulangan.
Berhati-hati untuk
- Fakta halusinasi boleh memasukkan laporan, aliran sokongan atau hasil penyelidikan secara senyap-senyap.
- Sensitiviti segera boleh mencipta hasil yang tidak konsisten merentas permintaan yang serupa.
- Data teks sensitif mungkin terdedah jika kawalan akses lemah.
Langkah seterusnya
- Tentukan format output, nada dan standard kualiti sebelum pelancaran.
- Respons asas dengan sumber yang dipercayai apabila ketepatan penting.
- Simpan pusat pemeriksaan semakan manusia untuk output berkepentingan tinggi.
- Jejaki corak kegagalan dan latih semula gesaan atau aliran kerja dengan kerap.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Maximum Marginal Relevance quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
What is Maximum Marginal Relevance?
Perkaitan Marginal Maksimum (MMR) ialah kaedah penarafan semula yang mengimbangi sejauh mana relevan sesuatu hasil berbanding perbezaannya daripada hasil yang telah dipilih. Ini penting kerana kedudukan perkaitan tulen sering mengembalikan petikan hampir pendua yang membuang ruang dalam tetingkap konteks RAG.
Apakah masalah utama MMR direka untuk diselesaikan?
MMR menangani kecenderungan kedudukan perkaitan sahaja untuk memaparkan banyak hasil yang menyatakan perkara yang sama, dengan memberi ganjaran kepada kebaharuan.
Dalam formula MMR, apakah yang ditekankan oleh nilai lambda yang hampir dengan 1?
Perkaitan pemberat Lambda; dekat 1 istilah perkaitan mendominasi, manakala dekat 0 istilah kepelbagaian (persamaan rendah) mendominasi.
Bagaimanakah MMR memilih keputusannya?
MMR ialah kaedah lelaran tamak: setiap pilihan memaksimumkan perkaitan tolak persamaan maksimum dengan item yang telah dipilih.
How can an embedding-based MMR implementation measure query relevance and document redundancy?
The general algorithm permits suitable similarity functions; cosine is a common choice for vector representations.
Mengapakah MMR amat berguna dalam penjanaan dipertingkatkan semula (RAG)?
Dengan mempelbagaikan ketulan yang diperoleh semula, MMR membantu model melihat pelbagai bukti dan bukannya fakta yang sama berulang, meningkatkan liputan.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini