ЗАСТОСУВАННЯ МЕТОДОЛОГІЇ RAG ДЛЯ РОЗШИРЕННЯ МОЖЛИВОСТЕЙ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ
Ключові слова:
LLM, RAG, LLAMAINDEX, TRULENS, ОЦІНКА ЕФЕКТИВНОСТІАнотація
Великі мовні моделі (LLM) стали ефективним інструментом для розуміння та генерації тексту, але виявилися неефективними у вирішенні спеціалізованих завдань, де потрібна конкретна інформація. Методологія RAG (Retrieval-Augmented Generation) пропонує доповнення LLM спеціалізованою інформацією для покращення їх точності та достовірності. Ця робота розглядає базові аспекти RAG та їх застосування для підвищення ефективності використання великих мовних моделей.
Посилання
[1] T. Brown et al., "Language models are few-shot learners," in Advances in Neural Information Processing Systems, vol. 33, 2020, pp. 1877–1901.
[2] H. Touvron et al., "Llama 2: Open foundation and fine-tuned chat models," arXiv preprint arXiv:2307.09288, 2023.
[3] Google, "Gemini: A family of highly capable multimodal models," 2023. [Online]. Available: https://goo.gle/GeminiPaper. [Accessed: Mar. 24, 2026].
[4] P. Lewis et al., "Retrieval-augmented generation for knowledge-intensive NLP tasks," in Advances in Neural Information Processing Systems, vol. 33, 2020, pp. 9459–9474.
[5] Y. Gao et al., "Retrieval-augmented generation for large language models: A survey," arXiv preprint arXiv:2312.10997, 2023.
[6] TruLens, "The RAG Triad," 2024. [Online]. Available: https://www.trulens.org/trulens_eval/core_concepts_rag_triad/. [Accessed: Mar. 24, 2026].
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Наталія Полуектова
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
