PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2406.07089v4cs.CV공식 코드 · Papers with Code

RS-Agent: 지능형 에이전트를 통한 원격 탐사 작업 자동화

RS-Agent: Automating Remote Sensing Tasks through Intelligent Agent

RS-Agent는 구조화된 작업 계획과 도구 오케스트레이션을 통해 사용자 의도를 전문적인 원격 탐사 워크플로우와 연결하는 도메인 적응형 지능 에이전트로, 중앙 컨트롤러, 동적 툴킷, Solution Space, Knowledge Space의 네 가지 구성요소로 이루어진다. Task-Aware Retrieval과 가중 이중 경로 검색-증강 생성 방법인 DualRAG를 도입하여 9개 데이터셋, 18개 원격 탐사 작업 실험에서 95% 이상의 작업 계획 정확도와 함께 장면 분류, 객체 계수, 시각적 질의응답에서 최신 MLLM 대비 현저히 높은 성능을 달성하였다.

arXiv:2412.15529v4cs.CL공식 코드 · Papers with Code

XRAG: 핵심 분석 — 고급 검색-증강 생성의 기반 구성 요소 벤치마킹

XRAG: eXamining the Core -- Benchmarking Foundational Components in Advanced Retrieval-Augmented Generation

검색-증강 생성(RAG)은 관련 데이터 검색과 대규모 언어 모델(LLM)의 생성 능력을 결합하여, 생성된 출력이 문맥적으로 적절할 뿐만 아니라 정확하고 최신의 내용을 담도록 보장한다. 본 논문에서는 고급 RAG 모듈의 기반 구성 요소 성능에 대한 포괄적인 평가를 지원하는 오픈소스 모듈형 코드베이스인 XRAG를 소개한다. 이 구성 요소들은 사전 검색(pre-retrieval), 검색(retrieval), 사후 검색(post-retrieval), 생성(generation)의 네 가지 핵심 단계로 체계적으로 분류된다. 우리는 재구성된 데이터셋을 통해 이를 체계적으로 분석하여 각 요소의 효과성에 대한 종합적인 벤치마크를 제공한다. RAG 시스템의 복잡성이 지속적으로 증가함에 따라, 우리는 RAG 시스템 내 잠재적 실패 지점을 식별하는 것의 중요성을 강조한다. 우리는 RAG 엔지니어링에 내재된 실패 지점을 분석하기 위한 일련의 실험 방법론과 진단 테스트 프로토콜을 수립한다. 이어서 이러한 모듈의 전반적인 성능을 강화하기 위한 맞춤형 해결책을 제안한다. 본 연구는 RAG 시스템 내 고급 핵심 구성 요소의 성능을 철저히 평가하고, 일반적인 실패 지점에 대한 최적화 방향을 제시한다.