Originalarbeiterreichbar
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
Lewis und Mitautoren beschreiben am 22.05.2020, wie ein Modell passende Textstellen nachschlägt und mit in den Kontext nimmt, statt sich auf Gelerntes zu verlassen. Das Verfahren heißt seitdem RAG und ist der übliche Weg zu Antworten aus eigenen Dokumenten. Der Suchteil ist dort bereits vortrainiert, abgestimmt wird die Kopplung zwischen Suche und Erzeugung; heutige Aufbauten setzen eine Suche vor ein fertiges Modell und übernehmen nur den Namen. Die Zusammenfassung nennt bessere Ergebnisse als eigenes Resultat, und genau dieser Teil fällt beim Zitieren regelmäßig weg.
geprüft 24.09.2026
Worauf sich diese Seite beruft, wörtlich, abgerufen am 06.08.2026:
We explore a general-purpose fine-tuning recipe for retrieval-augmented generation (RAG)
bestätigt 24.09.2026We introduce RAG models where the parametric memory is a pre-trained seq2seq model and the non-parametric memory is a dense vector index of Wikipedia, accessed with a pre-trained neural retriever.
bestätigt 24.09.2026providing provenance for their decisions and updating their world knowledge remain open research problems
bestätigt 24.09.2026set the state-of-the-art on three open domain QA tasks, outperforming parametric seq2seq models and task-specific retrieve-and-extract architectures
bestätigt 24.09.2026For language generation tasks, we find that RAG models generate more specific, diverse and factual language than a state-of-the-art parametric-only seq2seq baseline.
bestätigt 24.09.2026
KI-GeschichteRAG im Glossar03 RAG, die Suche vor der Antwort06 Wissensbasis im Vault