Retrieval-augmented-generation

Esta publicación explora RAPTOR, un enfoque novedoso para modelos de lenguaje aumentados por recuperación que construye una estructura jerárquica de árbol de documentos mediante incrustación, agrupamiento y resumen recursivos. Este método permite la recuperación de información en diferentes niveles de abstracción, mejorando significativamente el rendimiento en tareas complejas de respuesta a preguntas que involucran documentos extensos en comparación con la recuperación tradicional de fragmentos contiguos.

Esta publicación explora ReaRAG, un enfoque novedoso que integra la generación aumentada por recuperación iterativa (RAG) con el razonamiento guiado por conocimiento para mejorar la exactitud y la robustez de los Large Reasoning Models (LRM) en tareas de respuesta a preguntas de múltiples saltos.

Explora cómo OPEN-RAG mejora las capacidades de razonamiento en la Generación Aumentada por Recuperación (RAG) utilizando Modelos de Lenguaje Grandes (LLMs) de código abierto, superando a los modelos más avanzados en precisión y velocidad.

Explora el impacto de diferentes estrategias de recuperación en el rendimiento y la eficiencia de los sistemas de Generación Aumentada por Recuperación (RAG) en tareas posteriores como Preguntas y Respuestas (QA) y QA atribuida.

Descubre Xmodel-1.5, un innovador modelo de lenguaje grande (LLM) multilingüe desarrollado por el AI Lab de Xiaoduo Technology, diseñado para mejorar la comprensión y generación multilingüe, con un enfoque en idiomas menos representados.