-
融合检索 & Rerank 在 RAG 中的效果评测
—
in RAGRAG 的基本原理 RAG 的工作流程主要分为两个阶段： Embedding 的缺点 Embedding 的具象化理解可以是，用一组高维数据来表达一段文本的核心内容。如果这段文本非常长，或者包含的内容非常多样化，那么固定维度的 embedding 是很难表达文本的全面内容的。因此：…
-
ServiceNow 通过精调 Embedding 模型提升 RAG 的准确性
—
in RAGServiceNow 使用 RAG 技术解决什么问题 曾经简单的研究过 ServiceNow 这家公司的产品，了解到它主要是围绕 ITSM / 低代码领域做企业流程。…
-
RAG 里如何做 Query 优化
—
in RAGRAG 技术的整体流程 RAG (Retrieval-Augmented Generation) 是用来给 LLM 注入特定的知识，解决 LLM 在回答事实…
-
Your Daily LLM & RAG Research Digest
—
in HackerIntroduction The rise of Large Language Models (LLMs), particularly in…
-
海外 VPS 选购对比
—
in Hacker为什么要海外 VPS 如果你搞 SaaS 出海，做独立开发项目，或者搭建一个 WordPress 博客，不想折腾网站备案这些事情，那就要选择海外 VPS，部署在新加坡、日本、北美等地域，让你的目标用户的访问更顺畅。 或者就是想搭一个代理，用来绕过 ChatGPT…
-
多模态的 RAG：工作流、评测框架和结果
—
in RAG什么是多模态 RAG 真正的多模态 RAG 是指，检索环节支持多模态，生成环节也支持多模态，Multi-modal Retrieval & Multi-modal Generation。多模态（图、文）混排的输出比纯文本（包括Markdown 格式化）的用户体验好很多，图片本身易读、易理解，图片比文字更具象化。…
-
MinerU项目的研究分析
—
in HackerMinerU产品体验 介绍 MinerU 可以把 PDF 转成 markdown/json 文件，支持提取 Table、Image、LaTex 公式，能保证…
-
Poppler: 超强的 PDF 转换和导出工具
—
in Hackerpoppler 是一个用于 PDF 提取、转换、修改等用途的 lib 库，功能强大，速度飞快。 本文里使用 https://arxiv.org/abs/2411.03628 这篇 PDF…
-
怎样做到 LLM Long-Context 越长 RAG 性能越好
总结 这篇来自 Google DeepMind 的论文 “Inference Scaling for Long-Context Retrieval…
-
基于 ColBERT 检索和集成响应评分的语言模型问答
ColBERT Retrieval and Ensemble Response Scoring for Language Model Question…
