rag

🚨 LA PERPLEXITÉ BRISE LES RÉFÉRENCES DE RÉCUPÉRATION DE L’IA ET ALIMENTE LE RÉCIT OPTIMISTE POUR $TAO ! 💥

💡 L’IA open-source vient de franchir un cap : Perplexity a publié son modèle d’embedding de contexte, anéantissant les anciens benchmarks RAG de 14,4 points de pourcentage lors des tests TurboPuffer. 🔍 En encodant des fragments de documents avec une compréhension contextuelle complète, cette technologie élimine les données perdues et alimente un raisonnement en temps réel.

📊 Les “smart money” suivent ce type de percées dans l’infrastructure, car l’intelligence décentralisée de prochaine génération dépend fortement d’une récupération du contexte précise. ⚡ À mesure que la conscience du contexte devient un prérequis, les principaux protocoles d’IA décentralisée sont prêts à capter d’importantes liquidités.

💬 Les modèles de contexte open-source vont-ils déclencher la prochaine étape parabolique pour les tokens du secteur IA ? 👇

⚠️ Ceci ne constitue pas un conseil financier. Gérez toujours votre risque. 🛡️

🏷️ #TAO #AI #Crypto #Tech #RAG

🔥 ⚡

💡 PERPLEXITY PERTURBE LA RÉCUPÉRATION RAG : $AI INFRASTRUCTURE RÉVOLUTIONNE LA RÉCUPÉRATION DU CONTEXTE ! ⚡

Perplexity vient de publier en open-source pplx-embed-v2-context-9b-preview sous licence MIT, introduisant un encodage contextuel à l’échelle du document pour les systèmes RAG. 📊 En liant directement le contexte du document entier aux vecteurs de chaque fragment, l’architecture résout l’ambiguïté des données isolées tout en récupérant simultanément des preuves de vérification de la réponse.

Lors de tests à l’aveugle sur 38 894 longs documents, le modèle a obtenu 45,5 % Answer@10 — dépassant Voyage Context 4 de 14,4 % — prouvant que la conservation du contexte structurel améliore la précision des données au niveau institutionnel. 🔍 À mesure que les systèmes intelligents passent à l’échelle, un encodage vectoriel propre séparera la précision structurelle du bruit du marché.

💬 Les modèles d’embedding de contexte open-source accéléreront-ils l’intégration des protocoles d’IA en temps réel sur des réseaux décentralisés ? 👇

⚠️ Ceci n’est pas un conseil financier. Gérez toujours votre risque. 🛡️

🏷️ #AI #RAG #MachineLearning #Crypto #Tech

🎯 🔍

L'agent de recherche à 20 milliards de paramètres Harness-1 en open source : une efficacité des données extrêmement élevée grâce à l'état externalisé

Des chercheurs de l'UIUC, de l'UC Berkeley et de Chroma ont open sourcé l'agent de recherche à 200 milliards de paramètres, Harness-1. Ce modèle utilise une architecture innovante d'état externalisé, déléguant les tâches de mémoire et d'organisation durant le processus de recherche à l'environnement, permettant à des modèles de taille non de pointe d'atteindre des performances proches des modèles de pointe avec très peu de données d'entraînement dans des tâches de recherche à long terme. Cela signifie que les développeurs peuvent mettre en place un système de génération augmentée par la recherche (RAG) de manière efficace sans avoir besoin d'une puissance de calcul massive.

Pourquoi c'est important : Harness-1 prouve que l'innovation dans l'architecture des modèles peut compenser l'écart en termes de nombre de paramètres, permettant à des équipes de taille moyenne et petite de construire des agents de recherche haute performance, réduisant significativement le seuil de puissance de calcul pour le développement d'applications IA.

#AI #开源 #检索智能体 #RAG #intelligenceartificielle