اکسپرس 24
ترجمه فارسی مقاله RAG Foundry: چارچوبی برای بهبود LLMها برای بازیابی نسل افزوده

ترجمه فارسی مقاله RAG Foundry: چارچوبی برای بهبود LLMها برای بازیابی نسل افزوده

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 RAG Foundry: A Framework for Enhancing LLMs for Retrieval Augmented Generation
عنوان مقاله به فارسی RAG Foundry: چارچوبی برای بهبود LLMها برای بازیابی نسل افزوده
نویسندگان Daniel Fleischer, Moshe Berchansky, Moshe Wasserblat, Peter Izsak
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Computation and Language,Artificial Intelligence,Information Retrieval,Machine Learning,محاسبه و زبان , هوش مصنوعی , بازیابی اطلاعات , یادگیری ماشین ,
توضیحات Submitted 5 August, 2024; originally announced August 2024. , Comments: 10 pages
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 10 صفحه

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 400,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Implementing Retrieval-Augmented Generation (RAG) systems is inherently complex, requiring deep understanding of data, use cases, and intricate design decisions. Additionally, evaluating these systems presents significant challenges, necessitating assessment of both retrieval accuracy and generative quality through a multi-faceted approach. We introduce RAG Foundry, an open-source framework for augmenting large language models for RAG use cases. RAG Foundry integrates data creation, training, inference and evaluation into a single workflow, facilitating the creation of data-augmented datasets for training and evaluating large language models in RAG settings. This integration enables rapid prototyping and experimentation with various RAG techniques, allowing users to easily generate datasets and train RAG models using internal or specialized knowledge sources. We demonstrate the framework effectiveness by augmenting and fine-tuning Llama-3 and Phi-3 models with diverse RAG configurations, showcasing consistent improvements across three knowledge-intensive datasets. Code is released as open-source in https://github.com/IntelLabs/RAGFoundry.

چکیده به فارسی (ترجمه ماشینی)

اجرای سیستم های تولیدی بازیابی (RAG) ذاتاً پیچیده است و نیاز به درک عمیق از داده ها ، موارد استفاده و تصمیمات طراحی پیچیده دارد.علاوه بر این ، ارزیابی این سیستم ها چالش های قابل توجهی را ارائه می دهد ، و نیاز به ارزیابی هم از دقت بازیابی و هم کیفیت تولیدی از طریق یک رویکرد چند وجهی دارد.ما Rag Foundry را معرفی می کنیم ، یک چارچوب منبع باز برای تقویت مدل های بزرگ زبان برای موارد استفاده از RAG.RAG Foundry باعث ایجاد داده ها ، آموزش ، استنباط و ارزیابی در یک گردش کار واحد می شود و باعث ایجاد مجموعه داده های داده شده برای آموزش و ارزیابی مدل های بزرگ زبان در تنظیمات RAG می شود.این ادغام امکان نمونه سازی سریع و آزمایش با تکنیک های مختلف RAG را فراهم می کند و به کاربران امکان می دهد تا به راحتی مجموعه داده ها را تولید کنند و مدل های RAG را با استفاده از منابع دانش داخلی یا تخصصی آموزش دهند.ما اثربخشی چارچوب را با تقویت و تنظیم دقیق مدل های LLAMA-3 و PHI-3 با تنظیمات متنوع RAG نشان می دهیم ، و پیشرفت های مداوم را در سه مجموعه داده فشرده دانش نشان می دهد.کد به عنوان منبع باز در https://github.com/intellabs/ragfoundry منتشر می شود.

📚 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.