ترجمه فارسی مقاله OneGen: تولید یکپارچه و بازیابی کارآمد برای LLMها

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی OneGen: Efficient One-Pass Unified Generation and Retrieval for LLMs
عنوان مقاله به فارسی OneGen: تولید یکپارچه و بازیابی کارآمد برای LLMها
نویسندگان Jintian Zhang, Cheng Peng, Mengshu Sun, Xiang Chen, Lei Liang, Zhiqiang Zhang, Jun Zhou, Huajun Chen, Ningyu Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 35
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Artificial Intelligence,Databases,Information Retrieval,Machine Learning,محاسبات و زبان , هوش مصنوعی , بانکهای اطلاعاتی , بازیابی اطلاعات , یادگیری ماشین ,
توضیحات Submitted 8 September, 2024; originally announced September 2024. , Comments: Work in progress; code is available at https://github.com/zjunlp/OneGen
توضیحات به فارسی ارسال شده در 8 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: کار در حال انجام ؛کد در https://github.com/zjunlp/onegen موجود است
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Despite the recent advancements in Large Language Models (LLMs), which have significantly enhanced the generative capabilities for various NLP tasks, LLMs still face limitations in directly handling retrieval tasks. However, many practical applications demand the seamless integration of both retrieval and generation. This paper introduces a novel and efficient One-pass Generation and retrieval framework (OneGen), designed to improve LLMs' performance on tasks that require both generation and retrieval. The proposed framework bridges the traditionally separate training approaches for generation and retrieval by incorporating retrieval tokens generated autoregressively. This enables a single LLM to handle both tasks simultaneously in a unified forward pass. We conduct experiments on two distinct types of composite tasks, RAG and Entity Linking, to validate the pluggability, effectiveness, and efficiency of OneGen in training and inference. Furthermore, our results show that integrating generation and retrieval within the same context preserves the generative capabilities of LLMs while improving retrieval performance. To the best of our knowledge, OneGen is the first to enable LLMs to conduct vector retrieval during the generation.

چکیده به فارسی (ترجمه ماشینی)

با وجود پیشرفت های اخیر در مدل های بزرگ زبان (LLM) ، که قابلیت های تولیدی را برای کارهای مختلف NLP به طور قابل توجهی افزایش داده اند ، LLM ها هنوز هم در انجام کارهای بازیابی مستقیم با محدودیت هایی روبرو هستند.با این حال ، بسیاری از برنامه های کاربردی نیاز به ادغام یکپارچه بازیابی و نسل دارند.در این مقاله یک چارچوب یک نسل و بازیابی یک پاس جدید و کارآمد (Onegen) ، طراحی شده است که برای بهبود عملکرد LLMS در کارهایی که نیاز به تولید و بازیابی دارند ، طراحی شده است.چارچوب پیشنهادی با ترکیب نشانه های بازیابی به صورت خودکار ، رویکردهای آموزشی جداگانه جداگانه برای نسل و بازیابی را پل می کند.این یک LLM واحد را قادر می سازد تا هر دو کار را همزمان در یک گذرگاه یکپارچه به جلو انجام دهد.ما آزمایشاتی را در مورد دو نوع متمایز از وظایف کامپوزیت ، پیوند RAG و Entity انجام می دهیم تا اعتبار سنجی ، اثربخشی و کارآیی یک بار در آموزش و استنباط را تأیید کنیم.علاوه بر این ، نتایج ما نشان می دهد که ادغام تولید و بازیابی در همان زمینه ، توانایی های تولیدی LLM ها را ضمن بهبود عملکرد بازیابی ، حفظ می کند.به بهترین دانش ما ، Onegen اولین کسی است که LLMS را قادر می سازد تا در طول نسل بازیابی بردار را انجام دهند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.