文章列表-AI魔法学院

文章列表

百川智能RAG方案总结：搜索出生的百川智能大模型RAG爬坑之路

今天对百川的RAG方法进行解读，百川智能具有深厚的搜索背景，来看看他们是怎么爬RAG的坑的吧～总的来说，百川通过长上下文模型(192k)+搜索增强结合的方法来解决知识更新，降低模型幻觉的问题，使得其在

RAG 大模型

LLM每周速递！大模型最前沿：多模态RAG、RAG加速、大模型Agent、模型微调/对齐

LMU | 多模态RAG系统论文：https://arxiv.org/pdf/2410.21943 检索增强生成（RAG）主要解决的是大模型缺乏领域知识且容易产生幻觉的问题。

大模型研究

12个RAG常见痛点及解决方案

，我们将其延申扩展再补充开发RAG流程中常遇到的另外五个常见问题。

RAG 大模型

阿里RAG新框架R4：增强检索器-重排序-响应器，5个知识密集任务上都超过Self-RAG等！

为了解决这一问题，提出了一个新的大模型RAG框架R4：Reinforced Retriever-Reorder-Responder（增强检索器-重排序-响应器），它包含三个主要模块： o &

RAG 检索大型语言模型

检索增强生成(RAG)有什么好的优化方案？

RAG优化分为两个方向：RAG基础功能优化、RAG架构优化。

RAG 检索增强

检索增强生成(RAG)有什么好的优化方案

RAG优化分为两个方向：RAG基础功能优化、RAG架构优化。

RAG 检索增强生成

大模型检索增强生成RAG的优化

RAG优化分为两个方向：RAG基础功能优化、RAG架构优化。

RAG 检索增强大模型

对于大模型RAG技术的一些思考

RAG Fusion 检索增强这一块主要借鉴了RAG Fusion技术，这个技术原理比较简单，概括起来就是，当接收用户query时，让大模型生成5-10个相似的query，然后每个query去匹配5-

RAG 大模型

无限长的上下文，也干不掉的RAG

之前有一个论调，说如果大模型支持足够长的上下文内容时候，是否就不在需要向量库。下面这个论文，通过实验证明了，即时上下文足够的丰富，通过调整位置、上下文内容，对于生成的效果具有显著的影响。

RAG 大模型

RAG模型的主要痛点和解决方案

然而，像任何新技术一样，RAG模型也有自己的一套挑战，需要解决这些挑战才能发挥其全部潜力。

rag 大模型

忘掉 RAG，未来是 RAG-Fusion！搜索的下一个前沿：检索增强生成遇上倒数排名融合和生成查询

在我的搜索项目中，我尝试使用RAG，这让我开始思考其潜在的改进方式；我相信RAG目前还不能完全满足用户的需求，需要进一步升级。

RAG-Fusion 检索增强

LangChain: LLM 应用聚焦的两大方向，RAG 和 Agents

图一：RAG 结构图在当前这个时间点（2023.9.6）打开 langchain.com 的主站，你会发现不同于之前的 docs 关于应用场景的 8 种介绍，Use-Cases

大模型

2023检索增强生成技术（RAG）研究进展

RAG 研究发展历程图谱我们从技术演变的视角，将 RAG 的发展分为以下几个阶段： 3.1、初级 RAG 经典的 RAG 流程，即初级 RAG，主要包括三个步骤： .

RAG 检索增强

RAG 2.0来了，它能成为生产落地的福音吗？

RAG作为当前最流行、相对成熟的的LLM应用架构，受到了开发者的广泛关注，相关围绕RAG优化的技术层出不穷，但依旧难逃达不到生产应用要求的尴尬。

RAG 大模型

LangChain - RAG: 拿什么「降伏」PDF 中的 Table 类型数据

LangChain 和 RAG 领域不出意外的又出了不少新思路： 1.

大模型 LangChain RAG

<123 4 5 6 7 8 >

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2024 AI魔法学院

京ICP备20027199号-1