本论文旨在研究将 RAG 用于领域适应的可行性，提出了一种名为 RAG-end2end 的新模型，相较于 RAG 模型，它通过联合训练 RAG 组件以及外部知识库的更新，实现了针对特定领域的知识库自适应以及更准确的问答任务。在 COVID-19、新闻和对话等三个领域上的测试表明，该新模型相较于原始 RAG 模型在数据集中的表现有明显提升。

Oct, 2022

大型语言模型（LLMs）在实际应用中仍面临幻觉、知识更新缓慢和答案透明度不足等挑战。检索增强生成（RAG）是指在LLMs回答问题之前从外部知识库中检索相关信息。该论文概述了LLMs时代RAG的发展范式，总结了三种范式：Naive RAG，Advanced RAG和Modular RAG。同时，它提供了RAG的三个主要组成部分：检索器、生成器和增强方法的摘要和组织，以及每个组件的关键技术。此外，论文讨论了如何评估RAG模型的有效性，并介绍了两种RAG的评估方法、重点指标和能力，以及最新的自动评估框架。最后，从垂直优化、水平可扩展性和RAG的技术堆栈和生态系统三个方面引入了潜在的未来研究方向。

Dec, 2023

本研究提出了一个新颖的适应性问答框架，可以根据查询的复杂性动态选择最合适的策略，该策略可在回答问题时无缝地在迭代和单步检索增强型大型语言模型之间进行调整，同时适应多种查询复杂性，提高问答系统的效率和准确性。

Mar, 2024

提出了一种新颖的“Collaborative Retrieval-Augmented Generation”框架DuetRAG，以同时整合领域微调和RAG模型，提高知识检索质量，从而提高生成质量。最后，在HotPot QA上展示了DuetRAG与专业人类研究人员的匹配。

May, 2024

为了解决用户在发出宽泛、开放式的查询时得到丰富的、多方面的回复的问题，我们提出了一种新颖的检索增强生成框架——RichRAG。该框架包括一个子方面探索器，用于识别问题中的潜在子方面；一个多方面检索器，用于构建与这些子方面相关的多样化外部文档的候选池；以及一个生成型列表排序器，它是为最终生成器提供前k个最有价值的文档的关键模块。经过实验证明，我们的框架能够有效、高效地为用户提供全面且满意的回复。

Jun, 2024

提出了一种称为问题和路径增强的简单而有效的方法，通过对原始问题进行多步子问题的扩充和规划，从而提升检索性能，以及通过语言模型生成的自我生成路径来指导答案抽取，实验证明该方案优于现有技术且在现有的检索-生成模型中实现了显著的性能提升。

Jun, 2024

本研究针对开放域问答中大语言模型无法仅依赖内部知识生成正确答案的问题，提出了W-RAG方法。该方法利用大语言模型的排名能力生成弱标签数据，优化密集检索器的训练。实验结果表明，该方法显著提升了检索和问答的性能。

Aug, 2024

本研究解决了长上下文问答（LCQA）中现有长上下文大语言模型（LLMs）的“迷失于中间”问题。通过提出LongRAG，这一双视角的增强检索生成系统，提升了对复杂长上下文知识的理解，显著提高了问答准确性。实验表明，LongRAG在多个多跳数据集上显著超越了现有的技术方案，展示了其在长上下文问答中的巨大潜力。

Oct, 2024

该研究解决了长上下文问答（LCQA）中大语言模型（LLM）面临的“中间迷失”问题，提出了一种新的双视角检索增强生成系统（LongRAG）。 LongRAG通过增强模型对复杂知识的理解，显著提升了问答准确性，实验结果表明其在多个数据集上优于现有的长上下文 LLM 和 RAG 技术。

Oct, 2024

本研究解决了领域特定问答中信息检索的不足，通过设计检索增强生成（RAG）系统，为大型语言模型提供有关匹兹堡和卡内基梅隆大学的相关文档。研究结果表明，该系统在复杂和时间敏感的查询中显著提升了答案的准确性和相关性，F1评分从5.45%提升至42.21%。

Nov, 2024