rag

CRISS 是一种检索增强型AI聊天机器人，旨在协助肿瘤登记员解读复杂的编码与分期指南，已在培训场景中评估其准确性与实用性。

本文介绍了META，一个多智能体框架，它利用情景记忆集成专用指标智能体，以在市场体制下提升金融交易的决策能力。

本文将基于可验证奖励的强化学习应用于采用检索增强生成的小型语言模型，实现了无需蒸馏的3.8倍性能提升，并强调了针对小型模型进行奖励设计的重要性。

本文描述了一个项目，通过使用持续预训练（CPT）和RAG进行领域特定知识训练本地LLM的实验，并包含全面的评估和发现。

LEANN 是一种新的向量索引方法，通过图精简和实时计算嵌入，将存储需求减少约97%，同时保持检索召回率接近完整HNSW，适合在笔记本电脑上使用，并在MLSys 2026上获得最佳论文奖。

LabourCrew 是一个多智能体RAG框架，专为劳动法的可信对抗性审议和法规推理而设计，包含基础机制以控制错误接受率并提高答案相关性。

本文测试了Jev模型在RAG检索中的应用，评估其在加速检索和降低成本方面的效果，结果显示在重排和判断可回答性上具有优势。

这条推文推荐Jev用于RAG，强调其语义匹配能力优于点积相似度，使其在作为相似度指标和重排序器方面很有用。

EvidenT是一个轻量级流水线，用于提升企业检索增强生成（RAG）系统中的证据依据性和可追溯性，在不重新训练模型的情况下，将优质来源命中率提高了29%。

ai·rete·rag 是一款托管产品，使用 Rete 规则引擎进行可审计决策，并使用 RAG 提供解释，专为合规敏感行业设计。

文章详细描述了一个试点项目，团队为RAG系统测试客户数据，最初由于文档冲突和检索不准确等问题，准确率仅为40%。通过路由优化、数据清洗和缩写映射，准确率提升至约90%，突显了数据准备在成功AI转型中的关键作用。

这篇研究论文提出了SALT框架，该框架利用检索增强生成和链式思维推理来准确估算食谱中的钠含量，在SALT54k数据集上实现了最先进的性能，用于AI辅助的精准医疗。

AutoRecLab是一个基于Python的自主系统，可以从自然语言提示自动化推荐系统实验，使用检索增强生成（RAG）、静态验证和树搜索来生成和验证可执行代码。

这篇文章解释了AI智能体中世界模型的概念，强调了它们在跟踪演变状态和转变方面的作用，与上下文或记忆不同，并举了叙事世界模型用于长篇小说的例子。

本文提出了一种端到端框架，通过层次化LLM推理和RAG抽象，从原始遥测数据自动构建业务语义层，显著提高了语义质量并减少了维护工作量。

本文介绍了GCB和KRE作为两个层，用于优化持久化多智能体AI系统中的令牌使用和上下文管理，在保持能力的同时降低成本。

本文研究了文档编辑后LLM系统中陈旧KV缓存的预算修复方法，证明了连续的编辑本地窗口能有效恢复性能，并且比完全重新预填充更快。

本文提出了一种用于检索增强生成（RAG）管道的查询感知分流层，以处理源与查询之间的实质性关系，通过在合成数据上评估的评分和路由方法来定义风险覆盖目标。

一种新颖的框架，利用LLMs生成制造业合成时间序列数据，在异常检测等下游任务中显示出优于传统建模技术的性能提升。

NepKANUN 是一款基于RAG的面向尼泊尔的法律助手，利用RAG和微调后的LLaMA 3.2 3B模型为法律查询提供准确答案，并经专家评审验证。