هوش مصنوعی
CORE جست‌وجوی مرحله‌ای را برای عامل‌های پژوهشی بهینه می‌کند
این سامانهٔ بدون نیاز به آموزش، برای کاهش شلوغی زمینه، از هر متن بازیابی‌شده فقط بخش مرتبط را برمی‌گرداند و امکان گسترش دوبارهٔ متن پیرامون منابع را فراهم می‌کند.
پژوهشگران در پیش‌چاپی در arXiv سامانه‌ای به نام CORE معرفی کرده‌اند که جست‌وجوی عامل‌های پژوهشی را با مدیریت زمینه ترکیب می‌کند. این عامل‌ها برای پاسخ به پرسش‌های پیچیده بارها جست‌وجو می‌کنند؛ اما میان دو نیاز تعارض وجود دارد: متن‌های بلندتر به تطبیق معنایی دقیق‌تر کمک می‌کنند، درحالی‌که هر شاهدی که به عامل بازگردانده شود تا پایان روند کار در زمینهٔ آن باقی می‌ماند.
CORE ابتدا با یک بازیاب متراکم متن‌ها را پیدا می‌کند و سپس با استفادهٔ دوباره از شباهت‌های سطح توکنِ یک رتبه‌بند تعاملی، مرتبط‌ترین بخش هر متن را برمی‌گزیند. سامانه همچنین می‌تواند زمینهٔ پیرامون منبعی را که قبلاً بازیابی شده گسترش دهد و بخش‌های تکراری را کنار بگذارد.
در مقایسه‌های کنترل‌شده با سامانه‌های Tongyi DeepResearch و OpenResearcher، CORE در سه مدل عامل و سه بنچمارک به دقت پاسخ و بازیابی شواهدِ پیشرو دست یافت. این آزمایش‌ها روی مجموعه‌هایی با حداکثر ۵۵۳ میلیون سند انجام شده‌اند. مقاله در حال حاضر پیش‌چاپ است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده