Eine Übersicht zu RAG-treffenden LLMs: Auf dem Weg zu Retrieval-unterstützten großen Sprachmodellen

Als eine der fortschrittlichsten Techniken in der KI kann Retrieval-Augmented Generation (RAG) verlässliches und aktuelles externes Wissen bieten, was enorme Erleichterung für zahlreiche Aufgaben darstellt. Insbesondere im Zeitalter von KI-generierten Inhalten (AIGC) ermöglicht die starke Fähigkeit von Retrieval, zusätzliches Wissen bereitzustellen, dass RAG bestehende generative KI bei der Erzeugung qualitativ hochwertiger Ergebnisse unterstützt. Kürzlich haben Große Sprachmodelle (LLMs) revolutionäre Fähigkeiten im Sprachverständnis und der Sprachgenerierung gezeigt, stehen jedoch weiterhin vor inhärenten Beschränkungen wie Halluzinationen und veraltetem internem Wissen. Angesichts der starken Fähigkeiten von RAG, die neuesten und hilfreichen Zusatzinformationen zu liefern, sind Retrieval-Augmented Große Sprachmodelle (RA-LLMs) entstanden, um externe und autoritative Wissensbasen zu nutzen, anstatt sich ausschließlich auf das interne Wissen des Modells zu stützen, und somit die Qualität der generierten Inhalte von LLMs zu verbessern. In dieser Übersicht prüfen wir umfassend bestehende Forschungsarbeiten zu RA-LLMs, die drei primäre technische Perspektiven abdecken: Darüber hinaus diskutieren wir zur Vertiefung aktuelle Einschränkungen und mehrere vielversprechende Richtungen für zukünftige Forschungen. Aktualisierte Informationen zu dieser Übersicht finden Sie unter: https://advanced-recommender-systems.github.io/RAG-Meets-LLMs/