次回の更新記事：「データは多ければ良い」は本当か？データを減らし…（公開予定日：2025年11月12日）

RAG

グラフニューラルネットワークを活用したRAG手法『GNN-RAG』　7BのLLMでも最先端性能

グラフニューラルネットワークを活用したRAG手法『GNN-RAG』　7BのLLMでも最先端性能

RAGの失敗パターン7選と教訓9箇条

RAGの失敗パターン7選と教訓9箇条

小さなRetrieverとLLMの組み合わせによる実用的なワークフロー生成システム　またはRAGで幻覚を減らす手法

小さなRetrieverとLLMの組み合わせによる実用的なワークフロー生成システム　またはRAGで幻覚を減らす手法

LLMによりクエリを生成するアプローチで情報検索の精度を上げる方法

LLMによりクエリを生成するアプローチで情報検索の精度を上げる方法

RAG（検索拡張生成）において約半分のトークン数でタスクを実行できるフレームワーク『FIT-RAG』

RAG（検索拡張生成）において約半分のトークン数でタスクを実行できるフレームワーク『FIT-RAG』

RAGにおいてLLMが「役立たない情報を無視」できるようにする『RAFT』QAタスクで従来の手法を大幅に上回る結果を達成

RAGにおいてLLMが「役立たない情報を無視」できるようにする『RAFT』QAタスクで従来の手法を大幅に上回る結果を達成

表とテキストを両方含むドキュメントからLLMで上手に情報抽出を行う手法

表とテキストを両方含むドキュメントからLLMで上手に情報抽出を行う手法

検索結果をLLMでチェックして自動的に再検索する『MetaRAG』出力精度を大幅に向上

検索結果をLLMでチェックして自動的に再検索する『MetaRAG』出力精度を大幅に向上

RAGにおいて取得された情報と事前知識が矛盾しても、情報に説得力があるときLLMは受け入れる

RAGにおいて取得された情報と事前知識が矛盾しても、情報に説得力があるときLLMは受け入れる

大規模言語モデル（LLM）のこれまでとこれから③　-使用法・拡張法、データセット編-

大規模言語モデル（LLM）のこれまでとこれから③　-使用法・拡張法、データセット編-

GPT-4にRAG（検索拡張生成）を適用するケーススタディ　臨床問題で人間の医師よりも高い精度を達成

GPT-4にRAG（検索拡張生成）を適用するケーススタディ　臨床問題で人間の医師よりも高い精度を達成

LLMの検索結果をさらに正確にする手法『CRAG』（Corrective Retrieval Augmented Generation：修正型の検索拡張生成）

LLMの検索結果をさらに正確にする手法『CRAG』（Corrective Retrieval Augmented Generation：修正型の検索拡張生成）

RAGシステムに「無関係な」文書を混ぜたほうがLLMの出力精度が上がる可能性が示唆された

RAGシステムに「無関係な」文書を混ぜたほうがLLMの出力精度が上がる可能性が示唆された

ファインチューニングとRAGを比較実験した結果　LLMに外部知識を取り入れる手法としての違い

ファインチューニングとRAGを比較実験した結果　LLMに外部知識を取り入れる手法としての違い

LLMのRAG（外部知識検索による強化）をまとめた調査報告

LLMのRAG（外部知識検索による強化）をまとめた調査報告

直近1ヶ月で読まれている記事

プロフィールを登録すると
仕事のオファーが届きます

プロフィール登録
PAGE TOP