موضوع
RAG architectures, vector stores, grounding LLMs in private data
۱٬۲۱۶ مقاله منتشر شده
پایگاه‌داده PostgreSQL اکنون می‌تواند جست‌وجوی برداری و متنی سنتی را در یک سامانه ترکیبی ادغام کند. با استفاده از Reciprocal Rank Fusion (RRF)، توسعه‌دهندگان می‌توانند نتایج دو…
پژوهش‌های مبتنی بر هوش مصنوعی اغلب به دلیل نبود مرحلهٔ بازبینی، دچار توهم و تحلیل‌های سطحی می‌شوند. آزمایشگاه Oroboro با معرفی یک عامل «تخاصمی» برای رد ادعاهای غیرقابل‌اتکا،…
نسخه ۳.۱۲۱.۷ ابزار MeshCtx با معرفی معماری حافظه ۱۷ منطقه‌ای و گیت‌های تأیید ابزار، مشکلاتی نظیر فراموشی داده‌ها و هزینه‌های خارج از کنترل را در عامل‌های تولیدی حل کرده است.
عامل Attest با استفاده از ابزار توسعه گوگل، ادعاهای مدل‌های هوش مصنوعی درباره شرکت‌های سرمایه‌گذاری را رصد و ممیزی می‌کند. این سیستم با ایجاد یک آرشیو تغییرناپذیر از پاسخ‌های…
سامانه آزمایشی Lemmalog برای جلوگیری از فراموشی حقایق در عامل‌های هوش مصنوعی، حافظه برداری مبهم را با موتور منطقی Datalog جایگزین کرده است. این رویکرد باعث می‌شود عامل‌ها در وظایف…
ابزارهای بازیابی پیشرفته مانند GraphRAG بدون یک «قرارداد حافظه» برای مدیریت نقاط ورود، عامل‌ها را به سمت پاسخ‌های غلط سوق می‌دهند. پیاده‌سازی رویکرد «اول-هاب» (Hub-first) از…
تکنولوژی RAG با متصل کردن پاسخ‌های هوش مصنوعی به داده‌های تأییدشده شرکت، توهمات مدل‌ها را در پشتیبانی مشتری حذف می‌کند. این رویکرد با بازیابی مستندات پیش از تولید پاسخ، زمان حل…
ابزار جدیدی به نام SIMURG اجازه می‌دهد توهمات مدل‌های زبانی را در لحظه و با بازخوردهای ساده اصلاح کنید. این سیستم توانست خطاهای مدل GLM 5.3 Flash را بدون نیاز به آموزش مجدد و…
انتخاب بین Semantic Scholar و Valyu به نیاز عامل هوش مصنوعی شما بستگی دارد: آیا به گراف استنادی برای شناسایی مقالات نیاز دارید یا به دسترسی مستقیم به قطعات متنی برای استدلال؟ یکی…
پایگاه‌داده flash-zk با استفاده از ایندکس‌های کور و کلیدهای سمت کاربر، خواندن اسناد توسط سرور را غیرممکن می‌کند. نسخه ۱.۳.۱ این ابزار، رمزنگاری سخت‌گیرانه را برای ایمن‌سازی RAG و…
یک خط لوله بازیابی شش‌مرحله‌ای با ادغام جست‌وجوی برداری، لغت‌نامه‌ای و متادیتا در یک دستور SQL، مشکل «گم‌شدن در میانه» را حل می‌کند. این معماری با انتقال عملیات به درون…
مدل‌های زبانی بزرگ برای حافظهٔ کوتاه‌مدت خود به «پنجرهٔ زمینه» متکی هستند که به دلیل هزینه‌های محاسباتی درجه‌دوم، محدودیت‌های شدیدی دارد. حتی پیش از رسیدن به سقف توکن‌ها،…