Articles sur RAG

Cette étude propose d'utiliser RAG pour récupérer dynamiquement les relations argumentatives et la connaissance du monde afin de détecter les erreurs dans les débats politiques, remplaçant la pratique précédente consistant à coder les structures argumentales dans des fonctionnalités de classificateur statique. Cela montre que le passage de la structure des arguments de fonctionnalités fixes à un contexte dynamique consultable constitue une amélioration de la flexibilité au niveau de la méthode. Cependant, l’article ne présente pas de résultats expérimentaux et l’effet réel n’a pas encore été vérifié.

Cette étude propose un cadre d'identification et de réparation des défauts de conception BIM basé sur un modèle à grand domaine. Grâce à la conversion BIM en texte, à l'injection de règles et à l'apprentissage rapide RAG, le taux de précision de l'identification des défauts passe de 70 % de l'inspection des règles traditionnelles à 85 %. Par rapport au manque précédent de solutions généralisées de traitement des défauts, cela montre que le LLM basé sur le domaine combiné à l'amélioration de la recherche peut couvrir davantage de types de défauts et prendre en compte le contrôle de fiabilité.

Cet article propose la segmentation de scène comme unité de récupération du film RAG. Par rapport aux segments précédents de longueur fixe, les limites sémantiques au niveau de l’histoire sont systématiquement introduites pour la première fois dans la récupération vidéo. Le résumé décrit uniquement la définition du problème, et il n'y a pas encore de résultats expérimentaux, mais il indique que la qualité du RAG est limitée par la direction de la granularité de la segmentation.

Cette étude propose une architecture hybride qui intègre la récupération de vecteurs, GraphRAG, la détection de communauté de Leiden et le réarrangement de codeurs croisés. Dans la réponse aux questions de science climatique, la pertinence contextuelle et le taux de rappel sont augmentés respectivement de 160 % et 177 % par rapport au RAG classique. Cela signifie que l'unification de la récupération de texte locale avec des cartes conceptuelles globales peut améliorer considérablement les questions et réponses de connaissances dans les relations hiérarchiques des documents.

La technologie RAG (Retrieval-Augmented Generation) est plus simple que prévu, ce qui suggère que la technologie de génération d’IA pourrait être plus facile à mettre en œuvre.