Генерация с дополнением извлечённой информацией для контента, создаваемого искусственным интеллектом: обзор
Retrieval-Augmented Generation for AI-Generated Content: A Survey
2026-01-02
SCID: 54.1/qvskdmea
Discuss with AI
контент, сгенерированный искусственным интеллектомбенчмарки RAGинформационный поискмультимодальные приложениягенерация с дополнением поиска
Figures from the paper
Abstract (AI)
Развитие алгоритмов моделей, появление фундаментальных моделей и доступность высококачественных наборов данных стимулировали эволюцию контента, создаваемого искусственным интеллектом (AIGC). Несмотря на значительные успехи, AIGC по-прежнему сталкивается с такими проблемами, как обновление знаний, обработка данных из «длинного хвоста», снижение риска утечки данных и высокие затраты на обучение и инференс. В последнее время генерация с дополнением извлечённой информацией (retrieval-augmented generation, RAG) стала новым подходом к решению этих задач. В частности, RAG вводит процесс информационного поиска, который совершенствует процесс генерации за счёт извлечения релевантных объектов из доступных хранилищ данных, что повышает точность и устойчивость. В настоящей работе представлен всесторонний обзор существующих исследований, интегрирующих методы RAG в сценарии AIGC. Сначала мы классифицируем основы RAG в соответствии с тем, каким образом модуль извлечения дополняет генератор, выделяя фундаментальные абстракции методов дополнения для различных модулей извлечения и генераторов. Эта унифицированная перспектива охватывает все сценарии RAG, раскрывая достижения и ключевые технологии, способствующие дальнейшему развитию. Мы также обобщаем дополнительные методы совершенствования RAG, обеспечивающие эффективное проектирование и реализацию систем RAG. Затем, с другой точки зрения, рассматриваем практические применения RAG в различных модальностях и задачах, предлагая исследователям и практикам полезные ориентиры. Кроме того, мы представляем бенчмарки для RAG, обсуждаем ограничения современных систем RAG и предлагаем перспективные направления дальнейших исследований.
Key Findings
1
Интеграция информационного поиска с генерацией повышает точность и устойчивость AIGC за счёт предоставления релевантных объектов из доступных хранилищ данных.
2
RAG решает ключевые проблемы AIGC, включая обновление знаний, работу с длинным хвостом данных, снижение утечек данных и высокие затраты на обучение или вывод.
3
В статье обобщаются дополнительные методы улучшения RAG и рассматриваются практические применения в разных модальностях и задачах.
4
В обзоре основы RAG классифицируются по способу, которым поисковые модули дополняют генераторы, что формирует единую абстракцию для различных поисковиков, генераторов и сценариев RAG.
5
Обзор представляет бенчмарки RAG, выявляет ограничения современных систем и обозначает потенциальные направления дальнейших исследований.
Research Object
генерация с дополнением поиска (RAG), интегрированная в сценарии создания контента искусственным интеллектом (AIGC)
Research Subject
основы RAG, методы совершенствования, практические применения, бенчмарки, ограничения и перспективные направления улучшения генерации AIGC
Publication Details
Publication Date
2026-01-02
Journal
Publisher
ISSN
Cited by
978
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai20
Исследование пределов трансферного обучения с помощью унифицированного преобразователя текста в текст2019
LLaMA: открытые и эффективные базовые языковые модели2023
Генеративно-состязательные сети2020
Плотный поиск фрагментов текста для ответов на вопросы в открытом домене2020
Генерация с дополнением извлечённой информацией для больших языковых моделей: обзор2023
Затерянные в середине: как языковые модели используют длинные контексты2024
CodeBERT: предобученная модель для языков программирования и естественных языков2020
Технический отчет о GPT-42023
Законы масштабирования нейронных языковых моделей2020
Использование поиска фрагментов текста с генеративными моделями для ответов на вопросы в открытом домене2021
Оценка больших языковых моделей, обученных на коде2021
REALM: предварительное обучение языковой модели с дополнением за счет извлечения информации2020
Эффективные трансформеры: обзор2022
Генерация с активным дополнением посредством поиска2023
Atlas: обучение в режиме few-shot с использованием языковых моделей, дополненных поиском2022
Обзор взаимодействия RAG и LLM: к большим языковым моделям с дополнением извлечённой информацией2024
Бенчмаркинг генерации с дополнением извлечённой информацией в медицине2024
Сравнительный анализ больших языковых моделей в генерации с дополнением извлечённой информацией2024
Языковые модели с дополнением извлечённой информацией в контексте2023
Крупномасштабное контрастивное предварительное обучение на языково-аудиоданных слиянием признаков и расширением данных от ключевых слов к подписям2023
Работы, цитирующие эту статью11
Обзор взаимодействия RAG и LLM: к большим языковым моделям с дополнением извлечённой информацией2024
LightRAG: простой и быстрый подход к генерации с дополнением извлечённой информацией2025
Генерация с дополнением извлечением на основе графов: обзор2025
От рассуждений больших языковых моделей к автономным ИИ-агентам: всесторонний обзор2026
Генерация с дополнением поиском для больших языковых моделей в здравоохранении: систематический обзор2025
Обзор больших языковых моделей для генерации кода2025
Извлечение с расширением клиническими сущностями для извлечения клинической информации2025
Генерация с дополнением извлечённой информацией (RAG)2025
Генеративный ИИ для мимики 3D-персонажей в компьютерных играх: подход с дополненной поиском генерацией2025
На пути к устойчивым агентным системам искусственного интеллекта: обзор архитектур и методологий2026
Влияние крупных языковых моделей на процессы и результаты совместного обучения в высшем образовании по английскому переводу2026