پرش به محتوای اصلی

موضوع

بازیابی‌افزا

RAG architectures, vector stores, grounding LLMs in private data

۱٬۱۱۲ مقاله منتشر شده

رمزگذار چندوجهی و چندزبانه کارآمد NeoMME
آموزش کاربردی

مدل NeoMME هزینهٔ ذخیره‌سازی بردار‌های بصری را ۲۵۵ برابر کاهش داد

شرکت Hugging Face مدل NeoMME را معرفی کرد؛ یک رمزگذار چندوجهی که بدون نیاز به برج‌های بینایی مجزا، متن و تصویر را در یک ترنسفورمر واحد پردازش می‌کند. این مدل ضمن حفظ دقت بازیابی،…

۱۱ دقیقه خواندن۲
عنوان مقاله: «حافظه‌ای متعلق به خودتان به عامل‌های کدنویسی‌تان بدهید»

متن جایگزین پیشنهادی (۱۲۵ کاراکتر):
«دستیار هوشمند کدن
آموزش کاربردی

لایه حافظه funes هزینه انتقال عامل‌های کدنویس را ۸ برابر کاهش داد

شرکت Hugging Face ابزار متن‌باز funes را برای ایجاد حافظه محلی در عامل‌های کدنویس معرفی کرد. این لایه با نمایه‌سازی تاریخچه تصمیمات، از تکرار اشتباهات در جلسات جدید جلوگیری کرده و…

۷ دقیقه خواندن
معماری جایگزینی ترکیبی اطلاعات هویتی شخصی و سه اعتبارسنجی ناشناس‌سازی در مجموعه داده‌های حقوقی غیرساخت‌یافته
آموزش کاربردی

Lawmadi OS جایگزینی داده‌های مصنوعی را جایگزین سانسور متون حقوقی کرد

سامانه Lawmadi OS با معرفی یک خط لوله جایگزینی مصنوعی، اطلاعات حساس شخصی را بدون تخریب ساختار منطقی پرونده‌ها حذف می‌کند. این رویکرد امکان آموزش مدل‌های هوش مصنوعی حقوقی را با…

۱ دقیقه خواندن۱
سیستم RAGی ساختم که منابع پاسخ را نشان دهد: معرفی Alchimista
آموزش کاربردی

آیا میزبانی محلی داده‌ها می‌تواند توهمات مدل‌های RAG را کاهش دهد؟

سامانه متن‌باز Alchimista برخلاف چت‌بات‌های معمولی، هر پاسخ هوش مصنوعی را به یک ردپای قابل حسابرسی تبدیل می‌کند. این ابزار با اولویت دادن به حاکمیت داده و حریم خصوصی، امکان…

۴ دقیقه خواندن۱
سه سایت ۲۱۵ هزار صفحه «بهترین نرم‌افزار» برای هوش مصنوعی ساختند؛ Perplexity به آنها استناد می‌کند

«سئو برای ماشین‌ها»؛ روش جدید فریب موتورهای جست‌وجوی زاینده

تحلیلی فنی نشان می‌دهد Perplexity برای مبنی‌سازی پاسخ‌های خود به شبکه‌ای از صفحات تولیدشده توسط هوش مصنوعی متکی است که صرفاً برای فریب دادن موتورهای جست‌وجوی زاینده طراحی شده‌اند.…

۸ دقیقه خواندن۲
فرآیند RAG از پرسش کاربر تا پاسخ هوش مصنوعی: بازیابی، تقویت و تولید پاسخ
آموزش کاربردی

گزارش توسعه‌دهندگان: بازیابی ترکیبی شکاف دقت در RAG را پر می‌کند

سیستم‌های تولید بازیابی‌افزا (RAG) زمانی شکست می‌خورند که مدل‌های زبانی داده‌های نامرتبط دریافت کنند. برای رسیدن به دقت سطح تولید، ترکیب جست‌وجوی معنایی و کلیدواژه‌ای در کنار…

۴ دقیقه خواندن۳
چرا پنجره‌های بزرگ‌تر زمینه، سیستم‌های حافظه را از بین نمی‌برند

«ضرورت حافظه مجزا»؛ چرا افزایش توکن‌ها برای مدل‌های قابل‌اعتماد کافی نیست

افزایش پنجرهٔ زمینه به میلیون‌ها توکن، مشکل بازیابی اطلاعات و وضعیت بلندمدت را حل نمی‌کند. پژوهش‌ها نشان می‌دهند مدل‌ها همچنان دچار سوگیری «گم‌شدن در میانه» و هزینه‌های عملیاتی…

۴ دقیقه خواندن۲
پشته هوش مصنوعی متن‌باز: زیرساخت خصوصی ضروری
آموزش کاربردی

زیرساخت‌های ماژولار در برابر اکوسیستم‌های بسته؛ نبرد برای مالکیت داده

سازمان‌ها برای فرار از سیاست‌های محدودکننده داده و رابط‌های بسته، به سمت زیرساخت‌های ماژولار و متن‌باز حرکت می‌کنند. جداسازی لایه‌های مدل، استنتاج و داده، جابه‌جایی بین محیط‌های…

۴ دقیقه خواندن۲