XiaoMi-AI文件搜索系统
World File Search System检索
推进与Genai的相似性搜索：检索增强生成方法
本文介绍了一种创新的检索增强生成方法，以进行相似性搜索。所提出的方法使用生成模型来捕获细微的语义信息并基于高级上下文理解检索相似性分数。该研究重点介绍了包含从生物医学领域提取的100对句子的生物群数据集，并引入了相似性搜索相关结果，这些结果优于先前在该数据集上获得的句子。通过对模型敏感性的深入分析，研究确定了最佳条件，导致最高相似性搜索准确性：结果揭示了较高的Pearson相关评分，在0.5的温度下达到0.905，并且提示中提供的20个示例的样本大小为20个示例。这些发现强调了生成模型进行语义信息检索的潜力，并强调了相似性搜索的有希望的研究方向。
融合专家与检索增强生成，增强信息检索和推理
摘要 — 本研究探讨了将检索增强生成 (RAG) 集成到已使用混合专家 (MoE) 的 Mistral 8x7B 大型语言模型 (LLM) 中，以解决其在复杂信息检索和推理任务中现有的局限性。通过利用 Google BIG-Bench 数据集，我们进行了广泛的定量和定性分析，以评估增强模型的性能。结果显示准确率、精确率、召回率和 F1 分数均有显著提高，凸显了增强模型在生成语境丰富、准确且细致入微的响应方面的卓越能力。这种集成展示了一种克服传统 LLM 固有局限性的有希望的方法，标志着人工智能研究的关键进展。我们的研究结果有助于持续开发更具适应性、更高效、更智能的人工智能系统，为人工智能在各个领域的应用开辟新的途径。该研究承认与数据集范围和计算需求相关的限制，并为未来的研究提出了进一步完善和扩展模型适用性的方向。
体现摊位：检索和生成的一般非参数体现记忆
机器人可以探索和学习多少没有限制，但是所有这些知识都需要搜索和可行。在语言研究中，重新增强生成（RAG）已成为大规模非参数知识的工作室，但是现有技术并未直接转移到具有多模式的体现域，数据高度相关，感知需要抽象。为了应对这些挑战，我们引入了体现rag，该框架可以通过非参数存储器系统来增强体现代理的基础模型，该系统能够自主构建导航和语言生成的层次结构知识。体现的rag依处理各种环境和查询类型的各种空间和语义分辨率，无论是针对特定对象还是对氛围的整体描述。在其核心上，体现rag的记忆是作为语义森林结构的，以不同级别的细节存储语言描述。这个分层组织允许系统在不同的机器人平台上有效地生成上下文敏感的输出。我们证明，体现的抹布有效地将抹布桥接到机器人域，成功处理了19个环境中的200多个解释和导航查询，突显了其对常规非参数系统的预期用于实施剂。
使用 LLM 检索聚合物纳米复合材料的合成参数
自动化材料合成需要历史数据，但从出版物中提取详细数据和元数据具有挑战性。我们制定了初步策略，使用大型语言模型从材料科学文章中快速、自主地提取数据，数据格式可由材料数据库管理。我们使用聚合物纳米复合材料的子域作为示例用例，并通过手动验证演示了概念验证案例研究。我们使用 Claude 2 chat、Open AI GPT-3.5 和 4 API 提取表征方法和有关样品的一般信息，利用零次和少量提示来引出更详细和准确的响应。我们在样本提取任务中使用 Claude 2 chat 获得了最佳结果，F1 得分为 0.88。我们的研究结果表明，语言模型对于从文献中更有效、更实用地检索合成参数非常有用。
从编码和共谋服务器中检索量子私人信息
摘要 — 在经典的隐私信息检索 (PIR) 设置中，用户想要从数据库或分布式存储系统 (DSS) 中检索文件，但不向保存数据的服务器透露文件身份。在量子 PIR (QPIR) 设置中，用户通过从服务器接收量子信息来私密地检索经典文件。Song 等人在复制服务器的情况下处理了 QPIR 问题，包括无合谋和除一个服务器外所有服务器都合谋的情况。在本文中，QPIR 设置被扩展以考虑最大距离可分 (MDS) 编码服务器。所提出的协议适用于任何 [ n, k ] -MDS 代码和 t -合谋，其中 t = n − k 。与以前的情况类似，实现的速率比经典对应物中已知或推测的速率更好。此外，还演示了如何调整协议以从使用局部可修复代码 (LRC) 编码的 DSS 中实现显著更高的检索率，其中修复组不相交，每个修复组都是一个 MDS 代码。
唯一数据集探讨了大脑如何存储和检索记忆
虽然科学家已经能够研究参与记忆形成和检索的大脑部分，但这些过程是如何由大脑的各个部分实施的。虽然科学家已经能够研究参与记忆形成和检索的大脑部分，但这些过程是如何由大脑的各个部分实施的。
通过机器学习3D光束成型的机器学习检索复杂的传输矩阵
摘要 - 使用多模纤维用于越来越多的应用，例如光电信，内窥镜成像或激光束成型，这是一个上升趋势，这些应用需要了解纤维特性。在本文中，我们提出了一种新方法，用于从一组没有干涉测量的斑点输出模式中学习多模光纤的复杂传输矩阵。在第一步中，我们的方法找到了一个模型，可以预测多模纤维远端相干光束的强度模式。在第二步中，通过在远场中使用一些额外的强度图像来改进该模型，从而预测了实际的3D复合场，而无需使用参考光束，就可以预测离开多模纤维。我们的两步方法通过标准的50µm核直径踏板纤维在数值和实验上进行了验证，该纤维在1064nm时指导高达140 LP模式。在实验上，使用验证集，我们在近场和远场的纤维输出处获得了预测和真实斑点图像之间的相似性和98.5％的相似性，证明了检索到的复杂传输矩阵的准确性。最后，我们成功地在两个平面中同时证明了图像的投影，以证明复杂场塑造的证明。索引术语 - 机器学习，多模纤维，复杂传输矩阵，无参考方法，可变形镜
通过人工智能观看历史电影：对文物藏品图像检索的思考
第二次世界大战后，世界各地开始开设大量电影资料馆，国际电影档案联合会 (FIAF) 的活动也恢复了活力，促进了展览巡回，公众通过展览重新接触档案电影 (Tadeo Fuica 2019: 28–32)。这促使人们质疑当时之前电影史的书写方式，并引发了一场深刻的史学辩论。为了回应莫里斯·巴代什 (Maurice Bardèche) 和罗伯特·布拉西拉赫 (Robert Brasillach) (1935) 等人撰写的历史，这些历史大多基于电影爱好者的记忆，乔治·萨杜尔 (George Sadoul) (1946, 1947, 1948, 1949) 和让·米特里 (Jean Mitry) (1968) 等作家发展了更为严格的方法论，强调了观看电影和情境化的重要性 (Louis 2020: 117–30)。几十年后，档案保管员需要保存其资料，而学术界又愿意重新接触历史方法，这两者相结合，为该领域的新转折做好了准备（Elsaesser 2012：592-93）。1978 年布莱顿 FIAF 大会被广泛认为是实现这一变化的事件，因为它为学者们提供了观看早期电影档案片段的机会（Gaudreault 等人 2012：3）。与档案珍宝的接触使研究人员能够重新审视当时一直沿用的目的论方法，这种方法将早期电影边缘化并低估了其价值（Gaudreault 和 Gunning 1989）。这次大会还强调了档案保管员和历史学家之间合作的必要性，以推动该学科的发展（Gaudreault 2006，Gunning 2006）。
p-rag：逐步检索增强产生，用于计划体现的日常任务
体现的日常任务是体现的AI社区中的一项流行任务，要求代理商根据自然语言说明和视觉观察做出一系列动作。传统的基于学习的方法面临两个挑战。首先，自然语言指令通常缺乏明确的任务计划。其次，需要进行高度培训才能为模型提供对任务环境的了解。以前基于大语言模型（LLM）的作品要么由于缺乏任务特定知识而遭受性能差，要么依靠地面真理作为少数样本。为了解决上述局限性，我们提出了一种称为渐进检索增强发电（P-rag）的新颖方法，该方法不仅有效地利用了LLMS的强大语言处理能力，而且还逐渐积累了特定于任务的知识而没有地面真相。与传统的抹布方法相比，该方法以单发方式从数据基础中检索相关信息以协助生成，p-rag引入了一种迭代方法来逐步更新数据库。在每次迭代中，p-rag检索最新数据库，并从上一个相互作用中获取历史信息，作为当前交互的经验参考。此外，我们还引入了一个更精细的检索计划，该计划不仅可以检索相似的任务，而且还结合了类似情况的检索，以提供更有价值的参考经验。广泛的实验表明，P-rag在不利用地面真理的情况下取得了竞争成果，甚至可以通过自我读取进一步提高绩效。