Генерация с поиском (RAG) Молодые исследователи по теме Напрямую в основе методологии ai100

Akari Asai

Как языковая модель решает, что её собственного внутреннего знания недостаточно и вместо него нужно обратиться к внешнему источнику.

Большинство систем генерации с поиском устроены жёстко: всегда обратиться к внешнему хранилищу, затем ответить. Self-RAG (2023) у Asai показал, что модель можно обучить принимать это решение самой: нужен ли здесь поиск, какой именно и стоит ли доверять тому, что вернулось. Для ai100 это линия работ, лежащая прямо выше по стеку: современные AI-движки в режиме веб-поиска уже работают именно так, и решение упомянуть бренд или опустить его часто принимается на поисковом слое, а не в финальной генерации.

Стоит читать, когда: вам нужно понять, почему модель в режиме веб-поиска включает один источник и игнорирует другой по тому же запросу.
Темы: активный поиск в LLM; адаптивный RAG; устойчивость поисковых решений к состязательным или шумным контекстам.
Ключевые работы: Self-RAG (2023, ведущий автор); OpenScholar (2024, ведущий автор); CRAG critic-corrective RAG (2024).