Esta investigación presenta una nueva tarea de búsqueda bidireccional de granularidad pequeña entre código y texto, con el objetivo de vincular publicaciones científicas con segmentos de código correspondientes. Propone un gran conjunto de datos, parcialmente generado por GPT-4, y un enfoque modular que logra buenos resultados.
RSS está resurgiendo como una forma eficaz para que los agentes de IA consuman contenido web, ofreciendo una fuente de información estructurada y actualizada. Esto permite que los modelos de IA accedan y procesen grandes volúmenes de datos de manera más eficiente, marcando un nuevo capítulo para esta tecnología anteriormente considerada obsoleta.
Un investigador universitario interesado en Recuperación de Información (IR) busca consejo sobre conferencias académicas menos competitivas para enviar su trabajo. Pregunta si SIGIR-AP, una conferencia nueva respaldada por SIGIR, es una buena opción y pide otras sugerencias.
Las configuraciones tradicionales de RAG fallan en sistemas del mundo real porque tratan los documentos recuperados como fragmentos aislados, sin lograr capturar las cadenas cruciales de relaciones entre ellos. Esto impide que los modelos estructuren respuestas complejas, incluso cuando la información individual es técnicamente relevante.
Este artículo introduce el 'Patrón del Libro' y la 'divulgación progresiva' como un modelo mental para cómo los agentes de IA deberían consumir información. Sugiere que los agentes deberían interactuar progresivamente con los detalles del proyecto, comenzando con descripciones generales y profundizando solo cuando sea necesario, reflejando el comportamiento humano con los libros.
El artículo propone la anotación legal multi-etiqueta como una tarea de recuperación, utilizando modelos congelados y k-vecinos más cercanos para asignar etiquetas. Este método logra una precisión competitiva y una alta eficiencia de datos en conjuntos de datos legales, reduciendo significativamente los costos computacionales en comparación con el ajuste fino de grandes modelos de lenguaje.
PageIndex propone una alternativa al RAG tradicional, prescindiendo de los embeddings vectoriales y la búsqueda por similitud. Busca recuperar información exacta mediante navegación estructurada, abordando la imprecisión de los sistemas RAG actuales.
Este contenido compara GraphRAG y Vector RAG, señalando las limitaciones del Vector RAG para el análisis holístico de corpus y cómo GraphRAG soluciona esto mediante grafos de conocimiento extraídos por LLMs y resúmenes jerárquicos. También aborda el coste de indexación significativamente mayor de GraphRAG y cuándo dicho coste se justifica.
O autor desenvolveu um sistema de IA multi-agente, o multi-agent-researcher, usando LangGraph, FAISS e Ollama, para recuperar e sintetizar informações de documentos internos e da web. Este artigo detalha a arquitetura, decisões de design e lições aprendidas na criação de agentes de IA colaborativos.
Los sistemas de Generación Aumentada por Recuperación (RAG) se presentan como un enfoque revolucionario para que las empresas construyan sistemas de conocimiento inteligentes, combinando LLMs con conocimiento de dominio específico. Esta guía, basada en la experiencia de Groovy Web con empresas Fortune 500, cubre el proceso integral de construcción e implementación de sistemas RAG listos para producción, desde la arquitectura hasta la monitorización.
Esta investigación propone un método novedoso para mejorar la recuperación de video-texto mediante la integración de la alineación de corpus multi-stream. También introduce una función Dual SoftmaxLoss para mejorar aún más la precisión y eficiencia de la coincidencia entre el contenido de video y las descripciones textuales.
Los grandes modelos de lenguaje son inherentemente sin estado, carecen de memoria de conversaciones anteriores o acceso a datos actualizados o privados. RAG (Retrieval Augmented Generation) aborda esto introduciendo un paso de recuperación, permitiendo que los modelos accedan a información externa y funcionen como un motor de razonamiento sobre esos datos.
Este contenido subraya la ineficiencia de los flujos de trabajo RAG ingenuos que resintetizan respuestas repetidamente para el conocimiento estático, generando costos e inconsistencias. Propone compilar el conocimiento en el momento de la ingesta, un patrón sugerido por Andrej Karpathy (llm-wiki.md), donde un LLM lee un documento una vez para crear páginas wiki estructuradas. Zenii implementa este patrón optimizado de forma predeterminada.
El contenido describe un fallo común en los sistemas RAG donde el índice vectorial devuelve múltiples copias del mismo fragmento de documento, llenando la ventana de contexto del LLM con redundancia. Esto impide que el LLM acceda a información diversa y proporcione respuestas matizadas; la solución implica la deduplicación por hash antes de la clasificación y MMR.
Este documento detalla la implementación práctica de sistemas RAG (Retrieval-Augmented Generation), explicando sus conceptos fundamentales y el ciclo operativo. Cubre las etapas de recuperación, aumento y generación de contexto para mejorar las respuestas de los LLM, incluyendo la fragmentación semántica de documentos.
GrepSeek es un método para entrenar un agente de búsqueda para usar comandos de shell como grep en lugar de índices vectoriales. Aprende una política para buscar archivos de texto sin procesar directamente, logrando un sólido rendimiento en benchmarks de QA sin índices preexistentes.
El autor describe su trayectoria en la investigación de la memoria de IA, detallando cuatro etapas de descubrimientos sobre el funcionamiento y los desafíos de estos sistemas. Explora la supervivencia de la memoria después de los reinicios, la importancia de la memoria de corrección, la relación entre la precisión de recuperación y la seguridad, y la distinción crucial entre relevancia y autoridad en la memoria de IA.
Este contenido presenta notas breves sobre DeepImpact y COIL, dos técnicas de recuperación de información. También introduce un marco conceptual para comprender y aplicar estos y otros métodos relacionados.
El texto explica que "40 canales" en AutoSearch significa acceso a investigación específica de fuentes a través de diversos ecosistemas como web, académico, desarrollador, social y video. Cada canal representa una familia de fuentes distintas, permitiendo a los agentes y humanos realizar una investigación más precisa y juzgar mejor los resultados.
Este contenido explora el concepto de búsqueda semántica, destacando que comienza con el uso de embeddings. Profundiza en los fundamentos técnicos detrás de la recuperación de información basada en el significado.
