Mastodon discussion Jun 4

Как и зачем мы сделали собственный OCR-бенчмаркОднажды нам понадобилось выбрать OCR-модель для RAG-пайплайна. Казалось б...

Как и зачем мы сделали собственный OCR-бенчмаркОднажды нам понадобилось выбрать OCR-модель для RAG-пайплайна. Казалось бы, задача простая: смотришь на лидерборды, берешь лучшую, PR...

Papers with Code paper Jun 4

Answer Presence Drives RAG Rewriting Gains

Retrieval-augmented QA pipelines often route retrieved passages through an LLM rewriter before a smaller reader, lifting F1 by tens of points on multi-hop benchmarks; this gain is ...

Mastodon discussion Jun 3

Гибридный поиск в RAG: как мы подняли Top-1 с 62% до 88% на базе из 50 000 документовЕсли вы строили RAG, вы знаете эту ...

Гибридный поиск в RAG: как мы подняли Top-1 с 62% до 88% на базе из 50 000 документовЕсли вы строили RAG, вы знаете эту боль: вектор-поиск красиво работает на демо-вопросах, но в п...

Mastodon discussion Jun 3

로컬 AI와 RAG의 한계: 모델의 본성과 '원죄'에 대하여 로컬 AI 모델은 학습 데이터에 의해 결정되는 '원죄'를 가지며, 학습되지 않은 특정 도메인(Ruby-LibGD 등)에서는 근본적인 지능의 한계가 존재합니...

로컬 AI와 RAG의 한계: 모델의 본성과 '원죄'에 대하여 로컬 AI 모델은 학습 데이터에 의해 결정되는 '원죄'를 가지며, 학습되지 않은 특정 도메인(Ruby-LibGD 등)에서는 근본적인 지능의 한계가 존재합니다. 🔗 원문 보기