购买
下载掌阅APP,畅读海量书库
立即打开
畅读海量书库
扫码下载掌阅APP

第一部分
基础

本部分将深入探讨RAG(Retrieval Augmented Generation,检索增强生成)的基本原理和实践方法。RAG是一种结合了大型预训练语言模型与知识检索技术的新型生成模型,为应对大模型应用开发中的诸多挑战提供了新的思路。首先,通过对比RAG与传统模型微调方法,揭示RAG所带来的范式改变,并详细分析其在大模型的知识更新、生成结果的不可解释性、数据泄露和训练成本等方面的优势。同时,还将介绍RAG的工作流程,包括数据准备、数据召回和答案生成等环节,以及RAG在各类使用场景下的表现。

在接下来的章节中,将介绍Transformer、自动编码器和自回归模型等语言模型。接着,将重点讨论文本召回模型的设计与实现,包括稠密向量检索模型(如SimCSE、SBERT等)以及稀疏向量检索模型(如TF-IDF、BM25等),此外,我们还将探讨重排序模型在RAG中的作用。通过本部分内容的学习,读者将全面了解RAG的理论基础和实践方法,为后续深入研究和应用RAG奠定坚实的基础。 gQMNpsuGy5CouiqzW7BHDgVeH52utC1PhCTEB8VeZ7SGyFEsnGKStq929X1L8RAt

点击中间区域
呼出菜单
上一章
目录
下一章
×