Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
Zero-RAG: к генерации с дополненной выборкой без избыточных знаний
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Загрузить в LLM всю найденную информацию — прямой путь к ухудшению ответа. Исследование Zero-RAG позволяет получать более точные ответы через радикальное сокращение контекста: удаление из промпта информации, которую модель уже знает. Избыточный контекст работает как шум, который отвлекает модель от использования её внутренних знаний и заставляет «теряться» в море текста. Эксперименты показали: умное прореживание контекста эффективнее, чем предоставление всей потенциально релевантной информации.