ITPub博客

人工智能的浪潮已经来临,它正以前所未有的速度重塑着我们的职场生态: 56%的职场人已做好拥抱AI的准备,但你是否也在其中？

当RAG系统的效果不够理想时,我们可以从以下几个方面着手分析问题并寻求改进: 知识库优化:知识库质量:检查知识

人工智能的快速发展正深刻改变着我们的生活和工作方式。随着ChatGPT、Midjourney等AI工具的爆火，，在AI赋能内容创作的同时，我们也不得不直面由此带来的新问题——虚假人工智能生成内容（FAIGC）。

自然语言处理是人工智能的一个重要分支,旨在让计算机能够理解、生成和处理人类语言。

记一次关于RAG和搜索引擎在知识检索方面的对话访谈，针对 RAG 与传统搜索引擎的异同,以及它们在知识检索领域

RAG百科全书旨在全面解读检索增强生成（RAG）技术及其在知识密集型NLP任务中的应用。本文集结了RAG的相关知识，为读者提供了一站式的学习与参考资源，是研究和应用RAG技术的必备文章。

近日,中国人工智能学会发布了《中国人工智能大模型技术白皮书(2023版)》。

一种自适应协作式RAG方法，根据问题复杂度动态调整模型协作方式，引入多领域专家模型和多视角答案生成策略，通过反馈优化提升模型性能。该方法可提高复杂问题回答的准确性和全面性，为智能问答系统的发展提供新思路。

说到大模型，可能大家觉得高深莫测，其实它就是现在AI领域里的“大明星”。为啥这么说呢？

20年RAG刚提出时的论文：Retrieval-Augmented Generation for Knowle

本文提出了一种融合RAG和CoT的高效多步推理任务解决方案——RAT，该方案能有效整合不同思维模式，提高推理效率和准确性，为解决复杂问题提供了一种新的思路，有助于提升人工智能系统的推理与问题解决能力。

本研究分析了检索增强生成（RAG）模型的忠实度，即模型在处理与内部知识不一致的检索信息时的表现。研究发现，当检索内容正确时，RAG能显著提高模型回答的准确性。当检索内容与模型内部知识冲突时，模型的行为受内部先验知识影响。

本文从预训练损失的角度重新审视语言模型的涌现能力，挑战了以往以模型大小或训练计算量为标准的观念。通过实验，作者发现预训练损失是预测下游任务性能的关键指标，不同规模的模型在相同预训练损失下展现相似性能

Blended RAG方法通过结合语义搜索和混合查询策略，有效提升了检索增强生成系统的准确性。该方法利用多种索引和查询策略，在多个数据集上取得显著性能提升，为信息检索和生成性问答系统设立了新的基准，展现了巨大的潜力和应用价值。

在人工智能领域，大型语言模型（LLMs）的发展日新月异，它们在多种任务中展现出了卓越的性能。

这篇论文探讨了大型语言模型（LLMs）在处理外部知识库信息时存在的问题。作者构建了一个框架来构造高质量的无关信息，并进行了详细的分析和实验。结果表明，当前的LLMs仍然难以区分高度相关的相关信息，并容易被这些无关但误导性的内容所干扰。