算法论文8
CMU：RAG扩语料可让小模型追大模型
机器之心
AI 摘要
CMU团队：在RAG中，扩大检索语料通常能增强效果，可部分替代扩大模型参数收益，但有边际递减。语料扩容关键在提高证据覆盖，非提升模型利用证据能力，受限预算下可优先扩语料。
阅读原文 · 机器之心
检索做大，生成做轻：CMU团队系统评测RAG的语料与模型权衡
CMU团队在最新ECIR接收论文中，系统评估RAG语料规模与生成模型规模替代关系。实验表明，语料扩容可让小模型追上大模型，提升主要来自证据覆盖。研究为RAG系统提供更具性价比提升路径。
关注公众号
扫码关注
第一时间收到每日精选
相关文章
推荐文章7
LLM Wiki 工程实践与 RAG 融合应用
文章介绍 LLM Wiki 工程实践。包括为 AI Coding 创建知识地图，指导 Agent 加载上下文；在 Obsidian 构建知识体系，有插件和自定义 Agent 两种方法；还分析其与 RAG 关系，指出可融合互补，不要过度神话 LLM Wiki。
AI大模型应用实践
推荐文章7
从 LLM Wiki 到 Google OKF 重建知识底座
文章深入解读 LLM Wiki 与 Google OKF，探讨如何重建企业 Agent 可靠知识底座。指出 RAG 检索有局限，Wiki 式体系可整理知识。介绍 LLM Wiki 构想、OKF 规范及构建符合 OKF 约定的 LLM Wiki 的方法。
AI大模型应用实践
开源动态8
LMCache：解决AI token重复计算难题
斯坦福研究显示，AI Agent每次调用62%内容重复，现有前缀缓存虽有优化但天花板低，阿里云数据表明多数缓存块利用率低。LMCache将缓存管理独立，解决性能问题，其CacheBlend技术复用缓存，适配多引擎和存储后端。
AI工程化
推荐文章7
AutoResearch-LLM：Agent 接手 LLM 训练优化
本文是 LLM 微调 AutoResearch 落地实战。作者将电商场景 Qwen3 微调流水线沉淀成 Agent 驱动的三阶段框架，还分享踩坑经验。思路方法与平台无关，可类比到外部环境，适合关注 AI Coding 等的同学。
阿里云开发者