RA-ISF: Learning to Answer and Understand from Retrieval Augmentation via Iterative Self-Feedback
Zhejiang University(浙江大学);Southeast University(东南大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出RA-ISF框架,通过检索增强与迭代自反馈分解任务并分三个子模块处理,在GPT3.5、Llama2等模型上提升事实推理能力并减少幻觉。
2024-06-06 cs.AI cs.CL
Efficiently Enhancing Zero-Shot Performance of Instruction Following Model via Retrieval of Soft Prompt
KAIST(韩国科学技术院)
通过提示调优训练软提示嵌入并检索最接近查询实例的嵌入,仅增加0.007%参数即提升T0在未见任务上的性能,并在BIG-bench上平均准确率提高2.39个百分点。
2023-10-16 cs.AI cs.CL
Enhancing Legal Document Retrieval: A Multi-Phase Approach with Large Language Models
VNU University of Engineering and Technology(VNU工程技术大学);RMIT University(皇家墨尔本理工大学);National Institute of Informatics(情报学研究所)
本研究提出一种结合 BM25 预排序、基于 BERT 的重排序与 LLM 提示技术的多阶段法律文档检索方法,在 COLIEE 2023 数据集上显著提升了检索准确率。
2024-03-26 cs.AI cs.CL
Enhancing Retrieval Augmented Generation with Hierarchical Text Segmentation Chunking
Institute for Artificial Intelligence, VNU University of Engineering and Technology(人工智能研究所,越南工程大学)
针对传统RAG分块未考虑文本结构导致语义不足的问题,提出整合层次化文本分割与聚类生成语义连贯分块的框架,利用段落级和聚类级向量检索,在多个数据集上优于传统方法。
2025-07-14 cs.AI cs.CL
Enhancing Low-Resource Minority Language Translation with LLMs and Retrieval-Augmented Generation for Cultural Nuances
National United University(国立联合大学);United Link Co., Ltd.(联合连线有限公司)
本研究针对低资源少数民族语言翻译难题,结合LLMs与RAG技术在客家话翻译任务上验证了方法有效性,最优模型BLEU达31%,同时提出兼顾翻译质量与文化保护的协作框架。
2025-05-16 cs.AI cs.CL
Enhancing Robustness of Retrieval-Augmented Language Models with In-Context Learning
Seoul National University(首尔国立大学)
本文提出基于上下文学习的方法,通过引入机器阅读理解演示增强检索增强语言模型识别不可回答与冲突场景的能力,在无需微调的情况下提升开放域问答鲁棒性。
2024-08-08 cs.AI cs.CL
Enhancing Dual-Encoders with Question and Answer Cross-Embeddings for Answer Retrieval
Ping An Technology(平安科技);Beihang University(北京航空航天大学)
双编码器是问答系统中一种很有前途的答案检索机制。目前,大多数传统的双编码器学习的语义表示的问题和答案仅仅通过匹配的分数。研究者提出在评分函数中引入问答交互特征,但代价是推理阶段效率低下。为了在推理阶段保持问题和答案的独立编码,在训练阶段进一步引入变分自动编码器来从问题(答案)嵌入重构答案(问题)作为辅助任务,以增强表示学习中的QA交互。然而,文本生成和答案检索的需求是不同的,这导致了训练的难度。在这项工作中,我们提出了一个框架,以增强双编码器模型与问答交叉嵌入和一个新的几何对齐机制(GAM),以对齐的几何嵌入从双编码器从交叉编码器。大量的实验结果表明,我们的框架显着改善了双编码器模型,并优于国家的最先进的方法在多个答案检索数据集。
2022-06-07 cs.AI cs.CL
Enhancing Long-Term Memory using Hierarchical Aggregate Tree for Retrieval Augmented Generation
Amrita School of Artificial Intelligence(阿姆利塔人工智能学院);Amrita Vishwa Vidyapeetham(阿姆利塔维什瓦维迪亚皮塔姆大学)
针对 LLM 长对话上下文受限问题,提出 HAT 层次聚合树记忆结构,将上下文选择建模为最优树遍历并递归聚合相关信息,实验表明其提升多轮对话连贯性与摘要质量且避免参数指数增长。
2024-06-10 cs.AI cs.CL
KnowledGPT: Enhancing Large Language Models with Retrieval and Storage Access on Knowledge Bases
Fudan University(复旦大学)
针对大语言模型存在的知识完整性、时效性等问题,提出综合框架KnowledGPT,实现大语言模型与知识库的检索及存储交互,实验证明其可提升需世界知识的问题解答能力。
2023-08-17 cs.AI cs.CL
Enhancing LLM Intelligence with ARM-RAG: Auxiliary Rationale Memory for Retrieval Augmented Generation
SearchStax
针对冻结大语言模型无法随时间提升、现有改进方法训练成本高的问题,提出ARM-RAG系统,通过存储和检索推理链,以低成本从成功经验中学习,有效提升小学数学问题求解性能。
2023-11-07 cs.AI cs.CL
RAG+: Enhancing Retrieval-Augmented Generation with Application-Aware Reasoning
Xi’an Jiaotong University(西安交通大学);Huawei Technologies Ltd.(华为技术有限公司);Nankai University(南开大学)
RAG+通过联合检索知识与应用示例,将应用感知推理显式融入RAG流程,在数学、法律和医学任务中平均提升3-5%,最高提升13.5%。
2025-09-23 cs.AI cs.CL
KnowTrace: Bootstrapping Iterative Retrieval-Augmented Generation with Structured Knowledge Tracing
Gaoling School of Artificial Intelligence(人工智能学院);Renmin University of China(中国人民大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
KnowTrace通过结构化知识图谱追踪替代简单上下文堆叠,缓解RAG中的上下文过载,并利用知识回溯生成过程监督数据实现自我引导,在多跳问答基准上显著超越现有方法。
2025-05-26 cs.AI cs.CL
HyperbolicRAG: Enhancing Retrieval-Augmented Generation with Hyperbolic Representations
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Nanyang Technological University(南洋理工大学)
HyperbolicRAG通过整合双曲几何提升基于图的检索增强生成,以更准确地捕捉语义和层次结构关系。
2025-11-25 cs.AI cs.CL
Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization
Zhejiang University(浙江大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);South China University of Technology(华南理工大学);University of British Columbia(不列颠哥伦比亚大学);Fudan University(复旦大学);University of Hong Kong(香港大学)
针对RAG中LLM内部推理与检索证据不一致的推理错位问题,提出基于批评驱动对齐的迭代框架AlignRAG及其自主变体,通过对比批评合成机制训练批评语言模型,显著提升推理保真度与鲁棒性。
2025-10-11 cs.AI cs.CL
FLAIRR-TS -- Forecasting LLM-Agents with Iterative Refinement and Retrieval for Time Series
Google(谷歌);Carnegie Mellon University(卡内基梅隆大学)
FLAIRR-TS提出一种测试时提示优化框架,通过预测智能体与精炼智能体的迭代协作,结合检索相似样本自适应改进提示,在无需微调的情况下提升LLM时间序列预测精度,接近专用提示性能。
2025-08-24 cs.AI cs.CL
LLM-Augmented Retrieval: Enhancing Retrieval Models Through Language Models and Doc-Level Embedding
Meta
本文提出模型无关的LLM增强文档级嵌入框架,并改进负采样与损失函数等训练组件,显著提升Contriever、DRAGON和ColBERTv2等检索器,在LoTTE与BEIR上达到SOTA。
2024-04-08 cs.AI cs.IR
Learner-Tailored Program Repair: A Solution Generator with Iterative Edit-Driven Retrieval Enhancement
本文提出面向学习者的程序修复任务及LSGEN框架,通过迭代编辑驱动检索增强方法提升程序修复效果,实验验证其在编程辅导中的有效性。
2026-01-18 cs.AI cs.CL cs.SE
MERLIN: Multimodal Embedding Refinement via LLM-based Iterative Navigation for Text-Video Retrieval-Rerank Pipeline
Buzzni AI Lab(Buzzni人工智能实验室);KAIST(韩国科学技术院);Mathpresso Inc.(Mathpresso公司);UC Berkeley(加州大学伯克利分校);Fainders AI(Fainders人工智能公司);Seoul National University(首尔大学)
提出无需训练的MERLIN流水线,利用LLM进行迭代反馈学习以从用户视角精炼查询嵌入,显著提升文本-视频检索的Recall@1。
2024-10-16 cs.AI cs.CL cs.CV
Enhancing Retrieval Augmentation via Adversarial Collaboration
AC-RAG通过对抗协作机制提升检索增强生成的准确性与领域适应性
2026-01-19 cs.AI
Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner
Northwestern University(西北大学);AWS AI Labs(亚马逊云科技人工智能实验室)
大语言模型在各种问答(QA)基准测试中取得了很高的性能,但其输出的可解释性仍然很难解释。结构化的解释,称为蕴涵树,最近被建议作为一种解释和检查QA系统答案的方法。为了更好地生成这样的蕴涵树,我们提出了一个架构称为迭代检索生成推理(IRGR)。我们的模型能够通过系统地从文本前提中生成一步一步的解释来解释给定的假设。IRGR模型迭代地搜索合适的前提,每次构造一个单一的蕴涵步骤。与以前的方法相反,我们的方法结合了生成步骤和前提检索,允许模型利用中间结论,并减轻了基线编码器-解码器模型的输入大小限制。我们使用EntailmentBank数据集进行实验,在那里我们在前提检索和蕴涵树生成方面优于现有的基准,总体正确性提高了约300%。
2022-07-19 cs.CL
Enhancing Subsequent Video Retrieval via Vision-Language Models (VLMs)
Case Western Reserve University(凯斯西储大学)
针对视觉-语言模型难以应对自适应、时间敏感视频检索的问题,本文提出结合向量相似度搜索与图数据结构的框架,利用VLM嵌入初检并建模片段上下文关系实现自适应查询优化,经实验验证具备良好精度、扩展性与鲁棒性。
2025-03-21 cs.AI cs.CV cs.IR
Directional Attractors in LLM Reasoning: How Similarity Retrieval Steers Iterative Summarization Based Reasoning
McGill University(麦吉尔大学)
本文提出InftyThink与跨链记忆,通过语义引理检索提升LLM在结构化领域推理准确性,同时揭示异构领域中的失败模式及方向性偏见影响。
2025-12-22 cs.AI cs.CL cs.LG
RAISE: Enhancing Scientific Reasoning in LLMs via Step-by-Step Retrieval
Seoul National University(首尔国立大学);KAIST(韩国科学技术院);Hanyang University(翰阳大学)
RAISE通过逐步检索增强科学推理,其核心方法是问题分解、逻辑查询生成和逻辑检索,优于其他基线模型。
2026-03-19 cs.CL
When Iterative RAG Beats Ideal Evidence: A Diagnostic Study in Scientific Multi-hop Question Answering
Faculty of Engineering, McMaster University, Canada(麦斯特大学工程学院,加拿大);BASF Canada Inc., Canada(巴斯夫加拿大公司,加拿大)
通过化学多跳问答数据集,诊断发现迭代检索-推理循环在科学领域显著优于静态RAG上限,揭示了阶段式检索的优势与失败模式。
2026-08-03 cs.AI cs.CL cs.IR
ELITE: Embedding-Less retrieval with Iterative Text Exploration
University of Southern California(南加州大学);Jilin University(吉林大学);National Supercomputing Center in Shenzhen(深圳国家超算中心);Wuhan University(武汉大学);Stellaris AI Limited(Stellaris AI有限公司)
本文提出无嵌入检索框架ELITE,利用LLM逻辑推理、重要性度量引导的迭代搜索空间细化及逻辑相关信息扩展,在长上下文问答基准上以更低开销超越强基线。
2025-05-17 cs.CL
Enhancing Fact Retrieval in PLMs through Truthfulness
University of Marburg(马尔堡大学);University of Mannheim(曼海姆大学)
本文提出利用辅助模型基于PLMs隐藏状态评估输入真实性,从而将事实检索性能提升高达33%。
2024-10-17 cs.CL
Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy
Tsinghua University(清华大学);Microsoft Research Asia(微软亚洲研究院);Microsoft Azure AI(微软Azure人工智能)
本文提出 Iter-RetGen 方法,通过迭代方式协同检索与生成,利用模型输出作为上下文检索相关知识,在多跳问答等任务上以更少开销优于或媲美现有基线。
2023-10-23 cs.CL
Enhancing E-commerce Product Title Translation with Retrieval-Augmented Generation and Large Language Models
Amazon(亚马逊公司)
针对电商标题翻译中缺乏上下文和术语的问题,提出检索增强生成方法,利用双语示例作为少样本提示,提升LLM翻译质量,chrF最高提升15.3%。
2024-09-19 cs.AI cs.CL cs.LG
Chats-Grid: An Iterative Retrieval Q&A Optimization Scheme Leveraging Large Model and Retrieval Enhancement Generation in smart grid
Shenzhen University(深圳大学);The University of Hong Kong(香港大学)
针对智能电网领域传统RAG问答系统的检索质量差、响应无关等问题,提出Chats-Grid迭代检索框架,通过多阶段优化提升问答效果,助力智能电网管理升级。
2025-02-21 cs.CL
Enhancing Automatic Term Extraction with Large Language Models via Syntactic Retrieval
Korea University(韩国大学)
本文提出一种基于句法相似性的检索提示策略,在少样本设置下利用大型语言模型进行自动术语抽取,实验证明该方法能提升F1分数并强调了句法线索的重要性。
2025-06-26 cs.CL cs.IR
RoleRAG: Enhancing LLM Role-Playing via Graph Guided Retrieval
Alibaba-NTU Global e-Sustainability CorpLab (ANGEL)(阿里巴巴-国立科技大学全球可持续性公司实验室(ANGEL));College of Computing and Data Science(计算与数据科学学院)
针对大语言模型角色扮演中知识回忆不准和认知边界缺失的问题,提出基于图引导检索的RoleRAG框架,通过实体消歧和边界感知检索提升角色一致性并减少幻觉。
2025-05-24 cs.AI
Towards Root Memory: Benchmarking and Enhancing Implicit Logical Memory Retrieval for Personalized LLMs
University of Science and Technology of China(中国科学技术大学)
针对现有记忆系统依赖语义相似性而忽略逻辑关键记忆的问题,构建首个高质量基准IMLogic,并提出根记忆表示与RootMem框架,通过结构化逻辑记忆提升个性化LLM检索性能。
2026-10-27 cs.CL
Enhancing Scientific Reproducibility Through Automated BioCompute Object Creation Using Retrieval-Augmented Generation from Publications
GW School of Medicine and Health Sciences(乔治·华盛顿大学医学与健康科学学院);The George Washington University(乔治·华盛顿大学)
本文提出一种基于检索增强生成和大型语言模型的BCO助手工具,通过两遍检索与重排序从论文和代码库中自动提取信息生成BCO文档,解决LLM幻觉等问题,显著降低生物信息学研究合规文档创建的时间与精力,提升科学可重复性。
2024-09-23 cs.AI cs.CL q-bio.OT
S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA
Soochow University(苏州大学)
S2G-RAG通过结构化充分性判断和间隙判断机制,提升多跳问答的准确性和鲁棒性,适用于多轮检索流程。
2026-04-26 cs.AI cs.IR
MERMAID: Memory-Enhanced Retrieval and Reasoning with Multi-Agent Iterative Knowledge Grounding for Veracity Assessment
Stevens Institute of Technology(史蒂文斯理工学院)
MERMAID通过整合智能体驱动搜索、结构化知识表示和持久记忆模块,提升事实核查和主张验证的效率与一致性,实现检索、推理与记忆的协同优化。
2026-04-11 cs.AI cs.CL cs.LG
From Entity-Centric to Goal-Oriented Graphs: Enhancing LLM Knowledge Retrieval in Minecraft
本文提出目标导向图(GoG)框架,通过构建目标依赖关系图提升LLM在Minecraft中的步骤推理能力,实验表明其优于GraphRAG等方法。
2026-03-12 cs.AI
Enhancing Retrieval-Augmented Generation with Topic-Enriched Embeddings: A Hybrid Approach Integrating Traditional NLP Techniques
National University of Tierra del Fuego(泰德菲国立大学)
本文提出一种整合传统NLP技术的混合方法,通过主题增强嵌入提升检索增强生成系统的检索精度和语义聚类效果。
2025-12-31 cs.AI cs.IR
Enhancing Speech-to-Speech Dialogue Modeling with End-to-End Retrieval-Augmented Generation
MoE Key Lab of Artificial Intelligence(人工智能增强实验室);Jiangsu Key Lab of Language Computing(江苏语言计算重点实验室);X-LANCE Lab(X-LANCE实验室);School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院);Shanghai Innovation Institute(上海创新研究院);Shanghai Aviation Electric Co., Ltd(上海航空电器有限公司)
针对端到端语音到语音对话系统难以整合外部知识的模态差距问题,提出新颖端到端检索增强生成框架,直接从语音查询检索文本知识,提升系统性能与检索效率,为该领域知识整合提供新方向。
2025-11-11 cs.AI cs.CL cs.IR
Beyond Single Pass, Looping Through Time: KG-IRAG with Iterative Knowledge Retrieval
University of New South Wales(新南威尔士大学);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Technology Innovation Institute(技术创新研究所)
本文提出 KG-IRAG 框架,通过将知识图谱与迭代推理相结合,使大型语言模型能够逐步检索外部知识并处理涉及时间与逻辑依赖的复杂多步推理查询,实验证明其在准确率上超越传统 RAG 方法。
2025-11-05 cs.AI cs.MA
Bias-Aware Agent: Enhancing Fairness in AI-Driven Knowledge Retrieval
Salesforce(赛富时公司)
本研究提出一种基于智能体框架和偏见检测器的偏见感知知识检索方法,旨在识别并突出检索内容中的固有偏见,增强用户透明度和公平性,推动负责任AI发展。
2025-03-27 cs.AI cs.CL cs.IR
Beyond Static Retrieval: Opportunities and Pitfalls of Iterative Retrieval in GraphRAG
Michigan State University(密歇根州立大学);University of Texas at Arlington(德克萨斯大学阿灵顿分校);University of Oregon(俄勒冈大学)
本文系统研究 GraphRAG 中迭代检索的成败条件,发现其能提升多跳推理和桥接文档排名,但受噪声与深度埋藏证据限制,进而提出 BDTR 框架重排桥接证据。
2025-09-29 cs.AI
MIRROR: A Multi-Agent Framework with Iterative Adaptive Revision and Hierarchical Retrieval for Optimization Modeling in Operations Research
Xi’an Jiaotong University(西安交通大学);Northwestern Polytechnical University(西北工业大学)
提出一种免微调的多智能体框架MIRROR,通过执行驱动的迭代自适应修正和分层检索机制,将自然语言优化问题直接转化为数学模型和求解器代码,在标准运筹学基准上优于现有方法。
2026-08-25 cs.CL
Learning by Analogy: Enhancing Few-Shot Prompting for Math Word Problem Solving with Computational Graph-Based Retrieval
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对大语言模型(LLMs)解决数学应用题(MWPs)的推理难题,本文提出基于计算图检索相似问题作为示例的类比学习方法,在六个数据集上实现平均6.7%的绝对性能提升,有效增强LLMs的MWP求解能力。
2024-11-25 cs.CL
Auto-RAG: Autonomous Retrieval-Augmented Generation for Large Language Models
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Key Laboratory of AI Safety, Chinese Academy of Sciences(中国科学院人工智能安全重点实验室)
针对现有迭代检索方法的不足,本文提出Auto-RAG模型,以LLM决策能力为核心,通过与检索器多轮对话自主规划检索与优化查询,在六个基准测试中表现优异,还能自主调整迭代次数并增强可解释性。
2024-11-29 cs.CL
Enhancing Distractor Generation for Multiple-Choice Questions with Retrieval Augmented Pretraining and Knowledge Graph Integration
National Chung Hsing University(国立中兴大学)
该研究针对选择题干扰项生成任务,提出检索增强预训练方法并融合知识图谱,在MCQ、Sciq基准数据集上的F1@3分数均优于现有最优水平,有效提升了任务性能。
2024-06-19 cs.CL
Enhancing Student Learning with LLM-Generated Retrieval Practice Questions: An Empirical Study in Data Science Courses
College of Computer and Informatics(计算机与信息学院);Drexel University(德雷塞尔大学)
本研究针对教师生成检索练习问题耗时的问题,通过两门数据科学课程的实证发现,LLM生成的选择题检索练习可将学生知识留存准确率从73%提升至89%,但需教师审核问题质量。
2025-07-29 cs.AI
After Retrieval, Before Generation: Enhancing the Trustworthiness of Large Language Models in Retrieval-Augmented Generation
Southeast University(东南大学);University of New South Wales(新南威尔士大学);Noah’s Ark Lab(诺亚实验室)
BRIDGE框架通过动态确定响应策略,提升检索增强生成中大型语言模型的可信度,实验显示其在准确性上优于基线方法。
2026-01-07 cs.CL
Enhancing Code Consistency in AI Research with Large Language Models and Retrieval-Augmented Generation
NVIDIA(英伟达)
本文提出一种利用检索增强生成和大型语言模型自动验证代码实现与研究论文算法一致性的系统,提升了验证准确性与全面性,促进了AI研究的透明度、可复现性及研究可信度。
2025-02-02 cs.AI cs.SE
Stop-RAG: Value-Based Retrieval Control for Iterative RAG
Seoul National University(首尔国立大学)
Stop-RAG将迭代RAG建模为有限时域MDP,用基于价值的控制器自适应决定停止检索时机,在多跳问答中优于固定迭代和提示停止方法。
2025-10-16 cs.AI cs.LG
PlanGPT: Enhancing Urban Planning with Tailored Language Model and Efficient Retrieval
Peking University(北京大学);China Academy of Urban Planning & Design(中国城市规划设计研究院);Technical University of Munich(慕尼黑工业大学);University of Tokyo(东京大学)
针对通用 LLM 难以满足城市规划专业需求的问题,本文提出首个城市与空间规划专用大模型 PlanGPT,融合本地检索、领域微调和工具调用,实证显示其性能先进。
2024-02-29 cs.CL
Enhancing Noise Robustness of Retrieval-Augmented Language Models with Adaptive Adversarial Training
University of Science and Technology of China(中国科学技术大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Shenzhen University(深圳大学);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳))
针对RAG中检索噪声影响模型生成质量的问题,本研究将噪声分为三类并提出RAAT方法,通过自适应对抗训练和多任务学习提升模型对噪声的鲁棒性,使LLaMA-2 7B在多种噪声下F1和EM分数显著提升。
2024-05-31 cs.AI
LA-RAG:Enhancing LLM-based ASR Accuracy with Retrieval-Augmented Generation
Huawei TSC(华为技术服务中心)
针对现有基于大语言模型的自动语音识别方法在口音等声学条件下性能受限的问题,提出新型检索增强生成范式LA-RAG,通过细粒度token级语音数据存储与语对语检索结合上下文学习提升准确率,在普通话及方言数据集上验证了有效性。
2024-09-13 cs.CL cs.SD eess.AS
Iterative Multimodal Retrieval-Augmented Generation for Medical Question Answering
New York University, New York, USA(纽约大学);Tsinghua University, Beijing, China(清华大学);Independent Researcher(独立研究者);Chinese Academy of Sciences, Beijing, China(中国科学院)
MED-VRAG通过多模态检索增强生成框架,利用文档页面图像而非OCR文本进行医疗问答,提升准确率至78.6%,并验证检索和迭代对问答性能的积极影响。
2026-09-15 cs.AI
Context-Driven Index Trimming: A Data Quality Perspective to Enhancing Precision of RALMs
National University of Defense Technology(国防科技大学)
本文提出上下文驱动的索引修剪框架 CDIT,利用上下文匹配依赖作为数据质量规则,借助大语言模型识别并剔除不一致检索结果并修正索引,从而联合提升 RALM 的数据质量与检索精度。
2024-08-10 cs.CL cs.DB