标签：RAG

（由多段落组成）： 在大语言模型飞速发展的今天，Retrieval-Augmented Generation（RAG）技术已成为提升模型事实准确性与信息时效性的关键路径。然而，尽管RAG已被广泛应用，其在面对人类语言丰富表达方式时仍显乏力——尤其是当同一问题以不同词汇呈现时，检索系统容易“误判”，导致生成结果偏离真实答案。针对这一长期被忽视的痛点，来自北京航空航天大学、北京大学及中关村实验室的联合研究团队，在ACL 2025上提出了一项突破性工作：Lexical Diversity-aware RAG（简称DRAG），首次将“词汇多样性”系统化地融入RAG框架中，...

第一段： 只需调整两行代码，RAG（检索增强生成模型）的向量检索效率即可提升30%！这种方法不仅适用于“文搜文”、“图搜图”、“文搜图”以及“推荐系统召回”等多种任务，还具备出色的扩展性，能够支持十亿甚至百亿级别的大规模数据应用。浙江大学高云君、柯翔宇团队联合向量检索领域专家傅聪，开源了一种新方法PSP（Proximity graph with Spherical Pathway），成功解决了RAG的两大核心难题。 第二段： 传统向量检索方法大多基于欧几里得距离设计，主要关注“谁离你最近”。然而，在许多场景下，AI更需要比较的是“语义相关性”，即...

在工业应用场景中，检索技术常被用来为大型语言模型（LLM）提供外部数据库的知识文档，以提高模型回答的可信度。目前，RAG（Retrieval-Augmented Generation）被认为是向 LLM 注入特定领域知识最有效的方法之一。然而，RAG 也存在一些缺点。为了确保召回包含正确信息的文档，通常每次用户查询都会检索多个文档（大约 5 到 30 个），并将这些文档整合到输入提示中。这导致输入提示的序列长度增加，从而使推理效率显著下降。具体来说，RAG 模型的首次生成标记时间（TTFT）明显高于非 RAG 模型。 为了解决这一问题，研究人员提...