Компьютерные науки > Информация о возврате [представлена 15 сентября 2026 года] Название: Один размер не подходит для всех! Динамическая выборка ретривера и генератора для RAG View PDF HTML (экспериментальный) Резюме: Системы ретровивалентного поколения (RAG), как правило, используют стационарные ретрансляторы и конфигурации генераторов в разных запросах, несмотря на существенные различия в сложности запросов и информационных потребностях, что приводит к неэффективному распределению вычислительных ресурсов. В то время как поиск и адаптация поколения изучаются независимо, их совместное воздействие на эффективность работы РАГ в конечном итоге по-прежнему недостаточно изучено. Мы систематически анализируем, как ретривер и генераторная сложность взаимодействуют между фактоидами и несколькими ответными вопросами (QA), в том числе с ответами на вопросы о мостике и композиции. Наш анализ показывает, что более сильный поиск обычно приносит больше выгод, чем увеличение усилий по производству, однако как с точки зрения уменьшения, так и в плане немонотонной отдачи, а это указывает на то, что во всех запросах не все одинаково отличаются большей сложностью. Исходя из этих выводов, мы введем DRAG — систему адаптации запросов для выбора конфигураций ретривер-генератора. Сначала мы предлагаем DRAG$_\text {QPP} долл. США, подход на основе свободного от обучения маршрута, в рамках которого используются сигналы прогноза результативности запроса (QPP) для руководства выбором ретриверов и мер,…
Один размер не подходит всем! Динамический ретривер и выбор генератора для RAG
arXiv:2609.17709v1 Тип уведомления: перекрестное резюме: системы с ретривером и привитием поколения (RAG), как правило, используют фиксированные конфигурации ретранслятора и генератора по всем запросам, несмотря на значительные различия в сложности запросов и информационных потребностях, что приводит к неэффективному распределению вычислительных ресурсов. В то время как поиск и адаптация поколения изучаются независимо, их совместное воздействие на эффективность работы РАГ в конечном итоге по-прежнему недостаточно изучено. Мы систематически анализируем, как ретривер и генераторная сложность взаимодействуют между фактоидами и несколькими ответными вопросами (QA), в том числе с ответами на вопросы о мостике и композиции. Наш анализ показывает, что более сильный поиск обычно приносит больше выгод, чем увеличение усилий по производству, однако как с точки зрения уменьшения, так и в плане немонотонной отдачи, а это указывает на то, что во всех запросах не все одинаково отличаются большей сложностью. Исходя из этих выводов, мы введем DRAG — систему адаптации запросов для отбора ретривер-генератора.
