retrieval-augmented generation (RAG)

2026-10-28

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

GEMS-RAG: графо-основанная мультимодальная RAG для инженерных нормативов

GEMS-RAG — это фреймворк, который объединяет иерархический парсинг, детектирование визуальных сущностей, построение мультимодальной графовой базы знаний и графо-ориентированный гибридный поиск для обоснованного вывода по сложным мультимодальным инженерным нормативам. На примере Manual on Uniform Traffic Control Devices (MUTCD) GEMS-RAG показывает улучшение качества поиска релевантных данных и ответов на вопросы по сравнению с текстовыми, мультимодальными и графовыми RAG-базами.

6.0

2026-10-23

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Набор данных ClariEdge и лёгкий LoRA улучшают уточнение запросов в RAG

Статья (arXiv:2610.28686v1) представляет ClariEdge — набор данных примерно из 3,900 примеров неоднозначных и не-неоднозначных диалоговых запросов для RAG. Лёгкая доработка через LoRA достигает 96.6% точности в классификации и превосходит промптированные большие модели по обнаружению неоднозначности и качеству вопросов для уточнения; набор данных опубликован на Hugging Face (ibm-research/ClariEdge).

6.0

2026-10-22

MONEY · 1 ИСТОЧН. · MIT Technology Review AI

Документ WD/IDC: инференс ИИ увеличивает потребность и затраты на хранение

Спонсируемый WD доклад IDC и внутренние измерения WD показывают, что инференс ИИ создаёт большие постоянные бэкенд‑данные, существенно увеличивающие объёмы хранения и операционные расходы — 8‑секундный клип 720p (3,97 МБ) сопровождался примерно 500 МБ бэкенд‑данных (≈130× размер выдаваемого файла). McKinsey прогнозирует рост спроса на инференс с CAGR 35% до 2030 года; опрошенные IDC (n=763) в основном отмечают рост объёмов данных (≈95% зафиксировали увеличение; ≈61% — рост ≥25%), и 96% ожидают потребность в более быстрой выдаче архивов для инференса/RAG.

6.0

2026-10-12

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

SmartSalesBench: многоточечный бенчмарк для оценки LLM‑агентов продаж против сопротивляющихся персонажей покупателей

SmartSalesBench — новый бенчмарк (arXiv:2610.12975v1) для оценки LLM‑агентов продаж в многоповоротных диалогах (до 20 ходов) с психологически обоснованными персонажами покупателей, проявляющими сопротивление. Набор включает 13 680 сессий по пяти профилям агентов, двенадцати персонажам покупателей и пятнадцати смартфонам, использует RAG для генерации и вводит девять метрик оценки (основные: CR, BRS, RIR) с автоматизированным LLM‑судейством и человеческой валидацией (n=50, κ=0.71, Pearson r=0.81 к BRS).

6.0

2026-10-05

COMPANIES · 1 ИСТОЧН. · MIT Technology Review AI

MIT Technology Review Insights призывает к «агентному сдвигу» для масштабирования корпоративного ИИ

Спонсируемый отчёт MIT Technology Review Insights утверждает, что предприятия должны перейти от использования ИИ как инструмента к «агентному сдвигу» — операционной модели, связывающей людей, процессы и данные в реальном времени. В материале предлагается перестроить инфраструктуру данных для доступности, внедрять компонуемые архитектуры и обеспечивать суверенитет данных/моделей; отмечается фрагментация корпоративных систем и прогноз инвестиций в ИИ в размере $2,5 трлн к 2026 году.

6.0

2026-09-25

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

CRISS: чат‑бот с retrieval‑augmented generation для регистраторов рака (arXiv:2609.29075v1)

Авторы представляют CRISS (Cancer Registry Intelligent Support System) — диалогового помощника с retrieval‑augmented generation, обученного на базе норм и стандартов национальных регистров рака для выдачи ответов с подтверждающими ссылками. При оценке по протоколу LLM-as-a-Judge на вопросах лёгкой/средней/сложной степени RAG‑конфигурации превзошли не‑RAG‑модели (средние оценки grounding 0.62/0.56/0.59 против 0.29/0.26/0.29); проприетарные RAG‑модели лучше на лёгких/средних, локальные RAG — на сложных вопросах, и в целом RAG давали более семантически согласованные ответы.

6.0

2026-09-23

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

EvidenT: создание надёжных корпоративных ассистентов через проверку доказательств (arXiv:2609.22537v1)

EvidenT — это лёгкий конвейер, который перед формированием ответа проверяет извлечённые доказательства по сопоставимым документам, используя структурированную сегментацию и детерминированное лексическое выравнивание для фильтрации неподдерживаемого содержания, коррекции отклонений ссылок и сохранения трассируемости частей источника. По ~500 реальным корпоративным запросам авторы сообщают в среднем +29% по попаданию в «золотой» источник по сравнению с подсказочными базами, отсутствие ссылок на недоступные URL и почти насыщенное лексическое покрытие ответ→источник — всё без дообучения моделей.

6.0

2026-09-18

CODING · 1 ИСТОЧН. · GitHub AI & ML

Подкаст GitHub: MCP, skills, агенты и RAG в рабочих процессах разработчиков

В последнем эпизоде подкаста GitHub ведущие отмечают, что разработчики по-прежнему несут ответственность за сгенерированный код и должны применять разную степень проверки в зависимости от риска. Они называют Model Context Protocol (MCP) стандартом для доступа к инструментам и данным, описывают «skills» как читаемую упакованную экспертизу и утверждают, что RAG (retrieval-augmented generation) остается полезным вместе с агентами и skills, а не устарел.

4.0

2026-09-14

MODELS · 1 ИСТОЧН. · AWS Machine Learning

AWS представляет 8-шаговую схему кастомизации генеративного ИИ — от промптов до кастомных моделей

AWS Machine Learning опубликовал статью с 8‑шаговой схемой принятия решений для выбора подхода к кастомизации генеративного ИИ на AWS, включая промпт‑инжиниринг, RAG, дообучение, продолженное предобучение и Amazon Nova Forge, с рекомендацией начинать с простых методов и переходить к сложным только при необходимости.

6.0