自然语言处理

GRPO动机 什么是 GRPO？ 群体相对策略优化 (GRPO，Group Relative Policy Optimization) 是一种强化学习 (RL) 算法，专门用于增强大型语言模型 (LL

简介 最近几年，AI领域真是突飞猛进，尤其是大型语言模型（LLM），它们为通用人工智能（AGI）的发展打下了基础。OpenAI的o1模型就是个很好的例子，它用了一种创新的推理时间扩展技术，大大提升了推

其中以下几篇尤为重要，因其在技术创新和实际应用中取得了重大突破： DeepSeek-R1：通过强化学习提升大型语言模型的推理能力。 2025年1月发布，提出了一种使用强化学习而非监督学习的方法，显著提

论文试图解决的问题 这篇论文介绍了一种新的第一代推理模型——DeepSeek-R1系列，旨在通过强化学习（Reinforcement Learning, RL）提升大型语言模型（Large Langu

近年来，人工智能技术突飞猛进，尤其是生成式AI，简直像是开了挂一样，各种惊艳的表现让人直呼“未来已来”。根据IDC的研究，生成式AI的市场规模在2022年已经达到了107亿美元，而到2026年，这个数

今天给大家分享一篇关于RAG文本切块的论文： 论文概述 在**开放域问答（Open-Domain Question Answering, ODQA）**任务中，**文档分块（chunking）**过程

什么是向量数据库? 向量数据库是一种将数据存储为高维向量的数据库，高维向量是特征或属性的数学表示。每个向量都有一定数量的维度，根据数据的复杂性和粒度，可以从数十到数千不等。 向量通常是通过对原始数据(

环境依赖 安装 Docker 安装 Milvus Milvus 在 Milvus 存储库中提供了 Docker Compose 配置文件。要使用 Docker Compose 安装 Milvus，只需

摘要 代理式检索增强生成（Agentic RAG）通过在RAG管道中嵌入自主代理，代表了人工智能领域的重大飞跃。本仓库补充了综述论文《代理式检索增强生成（Agentic RAG）：综述》，提供了以下方

最近，我在阅读一些关于 RAG系统的资料时，发现了一个有趣的现象：RAG 的相关性问题远比我们想象的要复杂。无论是从数据检索的角度，还是从大模型对相关性的理解来看，RAG 的表现都充满了挑战和机遇。

环境依赖 本教程基于docker安装Qdrant数据库，在此之前请先安装docker. Docker - The easiest way to use Qdrant is to run a pre-b

切块简介 在RAG（Retrieval-Augmented Generation）任务中，Chunk切分是一个关键步骤，尤其是在处理结构复杂的PDF文档时。PDF文档可能包含图片、奇怪的排版等，增加了

Indexing Optimization Techniques 通过数据预处理和分块策略来优化索引，以提高检索准确性。这些技术可以应用于RAG流程的数据预处理和分块阶段，确保有效检索相关信息。 Da

今天给大家分享一篇最新的RAG论文： 研究概述 这篇论文主要关注的是检索增强型生成（RAG）系统中的一个核心问题：不同的组件和配置如何影响系统的性能。 论文亮点 ✅查询扩展：使初始查询多样化以获得更多

论文集合地址：https://github.com/aishwaryanr/awesome-generative-ai-guide 论文合集的分类框架如上图所示，把AI研究想象成一个从输入到输出的系统

查询优化简介 检索增强生成（RAG）系统去年挺火的，主要是因为它能高效地检索信息并生成内容。不过，要想让它的表现更上一层楼，查询优化技术就显得尤为重要了，尤其是在使用大型语言模型（LLM）的时候。我们

在企业或者单位内部，我们搞了个RAG应用，塞进去一堆文档，想着能给团队提供又快又准的信息。刚开始，那感觉简直像变魔术一样神奇！但大家都知道，大模型总有穿帮的时候，现实总会给你当头一棒。 为什么要评估R

原始 RAG 框架在提升检索和生成答案质量方面，还有一些关键问题没解决： 找出来的文档真的跟用户问题相关吗？有时候可能找偏了。 找到的内容够不够回答用户的问题？会不会信息量不足？ 会不会有一堆没用的信

在RAG系统中，这种高效的实现往往是通过“分块”来实现的。你可以把它想象成把一本厚书分成几章——这样一来，阅读和理解就轻松多了。同样地，分块技术把大段复杂的文本拆分成更小、更容易处理的片段，让AI能更

最近遇到几个伙伴关于markdown解析的问题，都是比较偏向于实际使用场景的，这里我们一开始我们去做markdown文件解析会自觉的会困在一个陷阱，就是： 下面不妨我们尝试把Markdown解析做的更