rag

🚨 PERPLEXITY PHÁ VỠ CÁC TIÊU CHUẨN TRUY XUẤT AI VÀ BƠM THÊM “CÂU CHUYỆN BULLISH” CHO $TAO ! 💥

💡 AI mã nguồn mở vừa được nâng cấp khi Perplexity ra mắt mô hình nhúng ngữ cảnh, phá hủy các bộ benchmark RAG cũ bằng cách tăng 14,4 điểm phần trăm trên các bài test turbopuffer. 🔍 Bằng cách mã hóa các đoạn tài liệu với nhận thức ngữ cảnh đầy đủ, công nghệ này loại bỏ dữ liệu bị thất lạc và tạo năng lực suy luận theo thời gian thực.

📊 Tiền thông minh theo dõi các bước nhảy về hạ tầng như vậy vì trí tuệ phi tập trung thế hệ mới phụ thuộc rất nhiều vào việc truy xuất ngữ cảnh chính xác. ⚡ Khi nhận thức ngữ cảnh trở thành “tiêu chuẩn bắt buộc”, các giao thức AI phi tập trung hàng đầu đang sẵn sàng thu hút lượng thanh khoản khổng lồ.

💬 Liệu các mô hình ngữ cảnh mã nguồn mở sẽ kích hoạt nhịp tăng parabol tiếp theo cho nhóm token ngành AI không? 👇

⚠️ Không phải lời khuyên tài chính. Luôn quản lý rủi ro của bạn. 🛡️

🏷️ #TAO #AI #Crypto #Tech #RAG

🔥 ⚡

💡 PERPLEXITY PHÁ VỠ TRUY XUẤT RAG KHI $AI INFRASTRUCTURE REVOLUTIONIZES CONTEXT RETRIEVAL! ⚡

Perplexity vừa mã nguồn mở pplx-embed-v2-context-9b-preview theo giấy phép MIT, giới thiệu mã hoá ngữ cảnh trên toàn bộ tài liệu cho các hệ thống RAG. 📊 Bằng cách gắn trực tiếp toàn bộ ngữ cảnh của tài liệu vào từng vectơ của chunk, kiến trúc này giải quyết sự mơ hồ dữ liệu bị tách rời đồng thời thu thập song song bằng chứng để xác minh câu trả lời.

Trong các bài benchmark mù trên 38,894 tài liệu dài, mô hình đạt 45.5% Answer@10—vượt Voyage Context 4 tới 14.4%—chứng minh rằng việc giữ lại ngữ cảnh mang tính cấu trúc sẽ thúc đẩy độ chính xác cấp độ doanh nghiệp. 🔍 Khi các hệ thống thông minh mở rộng quy mô, mã hoá vector sạch sẽ tách biệt độ chính xác về cấu trúc khỏi “nhiễu” của thị trường.

💬 Việc mã nguồn mở các mô hình nhúng ngữ cảnh liệu có thúc đẩy tích hợp giao thức AI thời gian thực trên các mạng phi tập trung không? 👇

⚠️ Không phải lời khuyên tài chính. Hãy luôn quản lý rủi ro của bạn. 🛡️

🏷️ #AI #RAG #MachineLearning #Crypto #Tech

🎯 🔍

20B参数检索智能体Harness-1开源：状态外置实现极高数据效率

来自UIUC、UC Berkeley与Chroma的研究人员开源了200亿参数检索智能体Harness-1。该模型采用创新的状态外置架构，将检索过程中的记忆与整理任务交给环境端维护，使非前沿规模模型也能用极少的训练数据，在长程搜索任务中接近前沿模型的表现。这意味着开发者无需巨额算力即可实现高效的检索增强生成（RAG）系统。

为什么重要：Harness-1证明了模型架构创新可以弥补参数量差距，让中小团队也能构建高性能检索智能体，大幅降低AI应用开发的算力门槛。

#AI #开源 #检索智能体 #RAG #人工智能