English Español Français Deutsch
← Zurück zur Liste
Retrieval-augmentierte Generierung (RAG) Themennahe Nachwuchsforschende Direkt der Methodik von ai100 vorgelagert

Akari Asai

Wie ein Sprachmodell entscheidet, dass sein eigenes internes Wissen nicht ausreicht und dass es stattdessen zu einer externen Quelle greifen sollte.

Die meisten retrieval-augmentierten Systeme sind starr verdrahtet — immer den externen Speicher abfragen, dann antworten. Asais Self-RAG (2023) zeigte, dass das Modell darauf trainiert werden kann, die Entscheidung selbst zu treffen: ob hier Retrieval nötig ist, welcher Art, und ob es dem vertrauen sollte, was zurückkommt. Für ai100 ist das eine direkt vorgelagerte Forschungslinie — moderne AI-Engines im Websuchmodus arbeiten bereits auf diese Weise, und die Entscheidung, eine Marke zu erwähnen oder wegzulassen, fällt oft auf der Retrieval-Ebene und nicht in der abschließenden Generierung.

Lesenswert, wenn
man verstehen muss, warum ein Modell im Websuchmodus bei derselben Anfrage eine Quelle einbezieht und eine andere ignoriert.
Themen
aktives Retrieval in LLMs; adaptives RAG; Robustheit von Retrieval-Entscheidungen gegenüber adversarialen oder verrauschten Kontexten.
Zentrale Arbeiten
Self-RAG (2023, Hauptautorin); OpenScholar (2024, Hauptautorin); CRAG critic-corrective RAG (2024).