Armadillidium boalense Cifuentes, Robla & Garcia, 2024 DOI: 10.11646/zootaxa.5497.1.4 facebook.com/100063608645581 摘要本文描述并说明了来自阿斯图里亚斯（伊比利亚半岛北部）的 Armadillidium Brandt, 1831 属的一种新的潮虫种。Armadillidium boalense sp. nov. 被归类为“pictum 组”，其特征是真球形团聚体、双脊型头足和第七对雄性步足的强烈性别分化。此外，本文还讨论了它的诊断特征及其与该组其他物种的亲缘关系。本文还评论并说明了
Retrieval-Augmented Correction of Named Entity Speech Recognition Errors
近年来，端到端自动语音识别 (ASR) 系统已证明其具有出色的准确性和性能，但这些系统对于训练数据中不经常出现的实体名称仍然具有显着的错误率。随着端到端 ASR 系统的兴起，大型语言模型 (LLM) 已被证明是各种自然语言处理 (NLP) 任务的多功能工具。在具有相关知识数据库的 NLP 任务中，检索增强生成 (RAG) 与 LLM 一起使用时取得了令人印象深刻的结果。在这项工作中，我们提出……
检索增强生成 (RAG) 是一种提高大型语言模型 (LLM) 处理大量文本效率的技术，在自然语言处理中至关重要，特别是在问答等应用中，在这些应用中，保持信息的上下文对于生成准确的响应至关重要。随着语言模型的发展，研究人员努力突破界限 NVIDIA 研究人员引入了保序检索增强生成 (OP-RAG) 以增强大型语言模型 (LLM) 的长上下文问答 首次出现在 AI Quantum Intelligence 上。
***通过以下文章，我试图介绍几种新算法，据我所知，我无法找到这些算法。我愿意接受批评并欢迎任何反馈。传统标签搜索如何工作？传统系统采用一种称为 Jaccard 相似度的算法（通常通过 minhash 算法执行），该帖子引入语义标签过滤：通过标签相似度增强检索 | 作者 Michelangiolo Mazzeschi | 2024 年 9 月首先出现在 AI Quantum Intelligence 上。
Introducing Semantic Tag Filtering: Enhancing Retrieval with Tag Similarity
语义标签过滤如何使用语义相似性来改进标签过滤***要理解本文，需要了解 Jaccard 相似性和向量搜索。该算法的实现已在 GitHub 上发布，并且完全开源。多年来，我们已经发现了如何从不同模态中检索信息，例如数字、原始文本、图像以及标签。随着定制 UI 的日益普及，标签搜索系统已成为一种方便的方式，可以轻松过滤具有良好准确度的信息。通常使用标签搜索的一些情况是检索社交媒体帖子、文章、游戏、电影甚至简历。然而，传统的标签搜索缺乏灵活性。如果我们要过滤掉包含指定标签的样本，可能会出现这样的情况：特别是对于只包含几千个样本的数据库，可能没有任何（或只有几个）与我们的查询匹配的样本。在结果稀缺的情
***通过下面的文章，我试图介绍几种新的算法，据我所知，我一直无法找到这些算法。我愿意接受批评，并欢迎任何反馈。传统的标签搜索是如何工作的？传统系统采用一种称为 Jaccard 相似度的算法（通常通过 minhash 算法执行），该算法是语义标签过滤简介：通过标签相似度增强检索 | 作者：Michelangiolo Mazzeschi | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
Guest Post: Retrieval Practice: How to Encourage Long-Term Retention
你正处于学年末，你的学生刚刚参加了一场规模宏大、难以捉摸、令人恐惧的标准化考试。作为一名老师，你知道你尽了一切努力为他们做好准备，你看到他们在这一过程中取得了小小的成功。学生们在章节测试中表现很好，所以他们一定学到了这些内容！然后，你从标准化测试中得到了结果，结果并不是你所期望的。你感到震惊，想知道哪里出了问题。
Building a Retrieval-Augmented Generation (RAG) App
在此示例中，我们将分析一家名为 Allbirds 的公司。我们将把 Allbirds S-1 文档转换为词嵌入
What is Retrieval Augmented Generation (RAG)?
检索增强生成 (RAG) 是 AI 中的一种智能方法，可以提高生成式 AI 和 LLM 模型的准确性和可信度。
Supercharge your LLM via Retrieval Augmented Fine-tuning
了解检索增强微调 (RAFT)，这是一种将检索增强生成 (RAG) 的优势与微调功能相结合的方法。
Advanced Retrieval Techniques in a World of 2M Token Context Windows Part 1
2M Token Context Windows 世界中的高级检索技术，第 1 部分探索 RAG 技术以提高检索准确性 Google DeepMind 启动的可视化 AI 项目。来自 Unsplash 图像。首先，我们还关心 RAG（检索增强生成）吗？Gemini Pro 可以处理惊人的 2M 令牌上下文，而 GPT-3.5 发布时我们惊讶的只有 15k。这是否意味着我们不再关心检索或 RAG 系统？基于 Needle-in-a-Haystack 基准测试，答案是，虽然需求正在减少，尤其是对于 Gemini 模型，但高级检索技术仍可显着提高大多数 LLM 的性能。基准测试结果表明，长上下文模型
Superposition Prompting: Improving and Accelerating Retrieval-Augmented Generation
尽管大型语言模型 (LLM) 取得了成功，但它们表现出明显的缺点，尤其是在处理长上下文时。它们的推理成本与序列长度成二次方关系，这使得在某些现实世界的文本处理应用程序中部署它们的成本很高，例如检索增强生成 (RAG)。此外，LLM 还表现出“分心现象”，提示中不相关的上下文会降低输出质量。为了解决这些缺点，我们提出了一种新颖的 RAG 提示方法，即叠加提示，可以直接应用于……
International ACM Conference on Research and Development in Information Retrieval (SIGIR) 2024
Apple 赞助了国际 ACM 信息检索研究与开发会议 (SIGIR)，该会议将于 7 月 14 日至 18 日在华盛顿特区举行。SIGIR 是一个国际论坛，专注于展示信息检索领域的新研究。以下是 SIGIR 2024 上接受的 Apple 论文。
How Charlotte Pottinger Uses Retrieval Practice and Top Flight Means of Participation to Start Class
在这篇文章中，我将分享一段夏洛特·波廷格在沃尔索尔河小学课堂的视频。我一直期待着分享这段视频，因为它在很多层面上都很可爱。我将其称为检索练习剪辑，因为这是她的主要目的——通过确保...开始她的数学课，这篇文章夏洛特·波廷格如何利用检索练习和顶级参与方式开始上课首先出现在像冠军一样教学上。
Retrieval Practice with First Graders (6-7 years)
有效学习策略的优点在于，只要在需要时以适当的方式进行修改，它们往往对许多不同的人都有效。学习研究中经常出现的一个个体差异是发育年龄或阶段。我们的……
Retrieval Practice in Undergraduate Medical Education
我学到了很多关于医学生使用的工具、语言和策略的知识，以及如何使用有效的策略来调整这些想法。我讨论了我学到的关于研究和高效（而不仅仅是有效）学习的局限性的经验教训。
How Does Retrieval Improve New Learning?
虽然我们在学习科学家这里经常谈论检索练习的好处，但我们通常谈论检索练习对已学信息的好处。然而，检索练习也被证明对学习新信息有益。
Build a Retrieval-Augmented Generation (RAG) system in 4 lines of code
仅用 4 行代码使用 Python 构建 RAG 系统的分步教程。
