RAG and Beyond
1.[논문 리뷰] How to Make your LLMs use External Data More Wisely : Level1 Explicit Facts
외부 데이터로 보강된 LLM은 domain-specific, hallucination, controllable 측면에서 놀라운 능력을 보여주어 RAG, fine-tuning을 통해 외부 데이터를 LLM에 통합하는 기술이 널리 활용되고 있음하지만, 외부 데이터로 보강된
2025년 4월 20일
2.[논문 리뷰] How to Make your LLMs use External Data More Wisely : Level2 Implicit Fact
4 Implicit Fact Queries (L2) 4.1 Overview 암시적 사실에 대한 질의는 추론이나 논리적인 사고 능력이 필요하며, 답변을 도출하기 위해 필요한 정보가 여러 곳에 존재 여러 문서에서 정보를 수집하고 처리해야 하기 때문에 query를 여러 검
2025년 5월 4일
3.[논문리뷰] How to Make your LLMs use External Data More Wisely : Level3 Interpretable Rationale Queries
5 Interpretable Rationale Queries (L3) 5.1 Overview Interpretable Rationable Queries는 질문에 답변하기 위해 근거가 필요하며, domain-specific한 근거를 이해하고 적용하는 능력이 요구 됨. 이
2025년 8월 31일
4.[논문 리뷰] How to Make your LLMs use External Data More Wisely : Level4 Hidden Rationale Queries
질문 근거가 숨겨진 경우는 그 근거가 명시적으로 설명되지 않았을 뿐더러, 그 탐색 범위도 매우 다양하기 때문에 답변이 어려움. 보통 도메인 전문성이 필요한 질문이 이에 해당 됨.이런 유형의 질문에 답변하기 위해서는 도메인 데이터와 LLM의 사전 지식을 활용하는 것이 필
2025년 9월 20일