Mydep

Περιγραφή

Τα Μεγάλα Γλωσσικά Μοντέλα (LLMs) έχουν στατική γνώση και συχνά παράγουν «ψευδαισθήσεις». Το Retrieval-Augmented Generation (RAG) δημιουργήθηκε για να λύσει αυτό το πρόβλημα, ανακτώντας εξωτερικά έγγραφα και τροφοδοτώντας τα στο μοντέλο. Έτσι, το LLM μετατρέπεται σε έναν αξιόπιστο βοηθό που αντλεί τις απαντήσεις του από επικαιροποιημένη, εξωτερική γνώση.

Το τυπικό RAG βασίζεται στην εσφαλμένη υπόθεση ότι τα ανακτηθέντα έγγραφα συμφωνούν μεταξύ τους. Στην πράξη, συχνά προκύπτουν αντιφάσεις λόγω λανθασμένων στοιχείων ή απλά διαφωνίας των πηγών. Όταν το LLM έρχεται αντιμέτωπο με αντικρουόμενες πληροφορίες απλώς μαντεύει στατιστικά, καταλήγοντας συχνά να συνθέτει αυθαίρετες απαντήσεις και να κρύβει τη διαφωνία των πηγών από τον χρήστη.

Αυτή η εργασία θα προτείνει την ενίσχυση του RAG με μηχανισμό που ξεχωρίζει την πληροφορία σε αδιαμφισβήτητο και αντικρουόμενα  στοιχεία ώστε να μην δίνει στο LLM αντιφατική πληροφορία.

[1]: Logic-RAG: https://arxiv.org/abs/2503.12663  
[2]: ArgRAG: https://arxiv.org/pdf/2508.20131
[3]: ReliabilityRAG: https://arxiv.org/abs/2509.23519 
[4]: WikiContradict: https://arxiv.org/abs/2406.13805 https://huggingface.co/datasets/ibm-research/Wikipedia_contradict_benchmark

Στοιχεία Εργασίας