RAG
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 1
- 보존된 평가 기록
- 1
Retrieval-Augmented Generation (RAG) is a task that combines the strengths of both retrieval-based models and generation-based models. In this approach, a retrieval system selects relevant documents or passages from a large corpus, and a generation model, typically a neural language model, uses the retrieved information to generate a response. This method enhances the accuracy and coherence of generated text, especially in tasks requiring detailed knowledge or long context handling.
RAG is particularly useful in open-domain question answering, knowledge-grounded dialogue, and summarization tasks. The retrieval step helps the model to access and incorporate external information, making it less reliant on memorized knowledge and better suited for generating responses based on the latest or domain-specific information.
The performance of RAG systems is usually measured using metrics such as precision, recall, F1 score, BLEU score, and exact match. Some popular datasets for evaluating RAG models include Natural Questions, MS MARCO, TriviaQA, and SQuAD.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
대규모 절차적 지식이 추론 성능을 향상시킨다
다국어 금융 QA를 위한 언어 라우팅 RAG 및 직접 선택지 점수화: FinMMEval의 DS@GT
무학습 다중 홉 질의응답을 위한 공진화 그래프-텍스트 메모리
Mwando: AI를 활용한 shiKomori 보존 및 교육
TriShieldRAG: 검색-증강 생성(RAG)에서 지식 오염에 대응하는 3중 링 심층 방어 프레임워크
검색-증강 생성 시스템을 위한 크로스 어텐션 보정 중복 제거
규제 지식 관리를 위한 인지 컴퓨팅 아키텍처 구성 요소로서의 검색-증강 대규모 언어 모델
아동 중심 AIGC 영상 위험 검토: 벤치마크 및 지식 지원 반복 추론 프레임워크
DeepLens 진단 에이전트: 에이전트형 워크플로 설계로 소형 추론 모델이 최신 LLM과 경쟁한다
SCAIR: 기업 지식 그래프를 위한 스키마 조건 에이전트 반복 추론
증거는 너무 많고, 시간은 너무 적다: 다목적 증거 추론을 통한 텍스트에서 실행 가능한 권고안으로
검색-증강 생성을 위한 출처 인식 재순위화: 신뢰도 사전 접근법
규모보다 구조: RAG를 위한 스키마 제약 인과 그래프
HyCE-RAG: 설명 가능한 다중 홉 질의응답을 위한 하이퍼그래프 증거 연쇄 검색-증강 생성
TokenMem: 동결 LLM을 위한 충실한 지식 주입
검색 전에 추론하라: 멀티모달 RAG를 위한 에이전트적 계획
EventOD: LLM 기반 의미론적 변조를 통한 이벤트 인식 OD 흐름 생성
MPR-CiteG: 다중 포트폴리오 검색 및 인용 기반 생성을 통한 RAG 강화
ACM: 장기 호라이즌 과제를 위한 에이전트형 컨텍스트 관리
EviBack: 증거 제약 Teacher Backoff를 통한 검색 에이전트 강화학습
MemChain: 메모리 증강 LLM 에이전트를 위한 해석 가능한 메모리 추적 학습
MedKGent: 시간에 따라 진화하는 의료 지식 그래프 구축을 위한 대규모 언어 모델 에이전트 프레임워크
SURE-RAG: 선택적 검색-증강 생성을 위한 충분성 및 불확실성 인식 증거 검증
검색-증강 생성 대규모 언어 모델을 활용한 외부 지식 기반 역사 문서 복원
NRC 원자로 운전원 면허 시험에서 다중모달 언어 모델의 미세조정 및 검색 전략 벤치마킹
교량 진단 에이전트를 위한 보이지 않는 인과관계 인코딩: QLoRA 기반 트리플 가이드 검색-증강 미세조정
Agentic AI for Bilevel Long-Term Optimization of Policy-Driven Physical Layer Systems
분리형 어텐션 융합: 효율적인 KV 캐시 재사용을 통한 RAG 가속
AgentKVShift: 에이전트 메모리 시스템을 위한 효율적인 KV 캐시 재사용
시간적 의사결정을 위한 궤적 인식 검색 에이전트
모듈은 자기 역할에 머무르는가? 복합 LLM 시스템에서의 역할 표류
LLM 생성 C 코드 보안을 위한 도구 안내 검색-증강 수리
전파 천문학에서 지속 가능한 코드 최적화를 위한 SLM 강화
DAGForge: 생의학 문헌 기반 감사 가능한 인과 DAG 작성
현장 학습: 고정 가중치 에이전트를 위한 배포 피드백 기반 지속 학습
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.