Компьютерные науки > Расчеты и язык [представлен 24 октября 2026 года] Название: TriageRAG: Несрабатывание самообучения для адаптации моделей ретровиваля-аудиментированного языка к специализированным доменам PDF HTML (экспериментально) Резюме: Возвращение поколения (RAGE) позволяет крупным языковым моделям (LMS) отвечать на наукоемкие вопросы из полученных доказательств, однако адаптировать систему общего назначения RAG к специальной области, такой как медицина, трудно при наличии только немаркированного корпуса. Подходы к самоподготовке, такие как SimRAG, решают эту проблему путем предоставления LLM возможности написать свои собственные ответы на вопросы из доменных проходов и отладки пар, которые выживают в фильтре одноразового обмена. Мы отмечаем, что эти подходы одинаково относятся к каждому сохраненному примеру: они никогда не спрашивают, знает ли уже учащийся ответ, и так правильно вычитает его из извлеченного контекста или нет - а если да, то принадлежит ли ошибка читателям или ретриверам. Для решения этой проблемы мы предлагаем триагрегатский подход к самоподготовке, который позволяет исследовать ученику по каждому самостоятельно созданному вопросу с помощью и без извлеченного контекста, разбить его на одну из четырех категорий (известную, раскрытую, неисправленную ситуацию, проблему поиска-неудачника) и направить каждую категорию к тренировочному сигналу, в котором он рассматривается, включая параметрический маршрут, который учит читателя отвечать при выявлении…
ТриагеРАГ: Самоподготовка с целью адаптации к специализированным доменам языковых моделей, адаптированных к новым условиям
arXiv: 261 030 37776v1 Annuate Type: New Humber: Retrievaly-Aughdened Emergion (RAG) позволяет крупным языковым моделям (LMS) отвечать на наукоемкие вопросы из собранных доказательств, но адаптация системы общего назначения RAG к специализированной области, такой как медицина, затруднена только в тех случаях, когда имеется немаркированный корпус. Подходы к самоподготовке, такие как SimRAG, решают эту проблему путем предоставления LLM возможности написать свои собственные ответы на вопросы из доменных проходов и отладки пар, которые выживают в фильтре одноразового обмена. Мы отмечаем, что эти подходы одинаково относятся к каждому сохраненному примеру: они никогда не спрашивают, знает ли уже учащийся ответ, и так правильно вычитает его из извлеченного контекста или нет - а если да, то принадлежит ли ошибка читателям или ретриверам. Для решения этой проблемы мы предлагаем триагеРАГ, подход к самоподготовке, который позволяет исследовать ученику каждый из своих вопросов с и без извлеченного контекста, сортировать его в один фо.