В данной статье представлена недавно разработанная система, направленная на создание индивидуализированных материалов для чтения с использованием больших языковых моделей (LLM) в сочетании с генерацией с дополнением извлечения (RAG). Архитектура состоит из четырех основных компонентов: Ввод, RAG, Генерация и Оценка. Пользователи могут задавать конкретные вопросы и указывать желаемую сложность текста. Компонент RAG играет ключевую роль в извлечении актуальной информации из Интернета, что обогащает контент, создаваемый тремя современными LLM: Meta LLaMA 4 Scout, LLaMA 3.1 8B Instant и Google Gemma2 9B. Система использует различные стратегии подсказок, включая Chain-of-Thought, zero-shot и few-shot, для генерации материалов для чтения. Кроме того, модуль LLM-as-a-Judge автоматически оценивает качество ответов и их соответствие запрашиваемому уровню читабельности. Экспериментальные результаты показывают, что интеграция RAG значительно улучшает производительность системы, увеличивая актуальность и обоснованность на 26-35 процентных пунктов. Эти результаты подтверждают, что эта улучшенная архитектура с RAG эффективно генерирует материалы для чтения, соответствующие запросам пользователей и их предпочтениям по сложности текста.
Улучшение рекомендаций по чтению с помощью генерации с дополнением извлечения и LLM
В этой статье рассматривается новая система, которая объединяет генерацию с дополнением извлечения и большие языковые модели для создания персонализированных рекомендаций по чтению.
5 min readТехнологии