כתבה
arXiv cs.AI ·
RAG לענייני מדע: השוואה בין אסטרטגיות
Re-ranking and Late Interaction Drive Retrieval Quality: A Controlled Comparison of RAG Strategies for Scientific Question Answering
חוקרים בדקו שישה אסטרטגיות RAG לענייני מדע, כולל אגרוף ואינטראקציה מאוחרת. הם השתמשו במודל Llama-3.1-8B-Instruct ובנתונים מ-463,971 מאמרים ב-arXiv.
תקציר מקורי באנגליתarXiv:2609.38473v1 Announce Type: cross Abstract: Retrieval-Augmented Generation (RAG) is now the standard way to ground Large Language Models (LLMs) in external knowledge, yet the design space of retrieval pipelines is large and the trade-offs between variants are not well understood, especially on domain-specific corpora at realistic scale. In this work, we present a controlled comparison of six retrieval strategies for scientific question answering: (i) classic top-k dense retrieval, (ii) LLM-based query rephrasing, (iii) query rephrasing followed by LLM-based reranking, (iv) multi-query fusion via Reciprocal Rank Fusion (RRF), (v) an agentic tool-call pipeline in which the generator decides for itself whether to retrieve, and (vi) late-interaction retrieval with ColBERTv2. All six pipe
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית