English Español Français Deutsch
← Volver a la lista
Generación aumentada por recuperación (RAG) Investigadores jóvenes en la materia Directamente en la base de la metodología de ai100

Akari Asai

Cómo un modelo de lenguaje decide que su propio conocimiento interno es insuficiente y que debe acudir a una fuente externa.

La mayoría de los sistemas aumentados por recuperación están cableados de forma rígida: siempre consultan el almacén externo y luego responden. Self-RAG (2023), de Asai, mostró que el modelo puede entrenarse para tomar la decisión por sí mismo: si aquí hace falta recuperación, de qué tipo, y si debe confiar en lo que vuelve. Para ai100, esta es una línea de trabajo directamente aguas arriba: los motores modernos de IA en modo búsqueda web ya operan de esta forma, y la decisión de mencionar u omitir una marca a menudo ocurre en la capa de recuperación más que en la generación final.

Vale la pena seguirlo cuando
se necesita entender por qué un modelo en modo búsqueda web incluye una fuente e ignora otra ante la misma consulta.
Temas
recuperación activa en LLM; RAG adaptativo; robustez de las decisiones de recuperación ante contextos adversariales o ruidosos.
Obras clave
Self-RAG (2023, autora principal); OpenScholar (2024, autora principal); CRAG critic-corrective RAG (2024).