Retrieval-augmented generation
Retrieval-augmented generation (RAG) er mønsteret med å hente dokumenter ved spørringstidspunktet og betinge en språkmodell på dem, i stedet for å stole på hva modellen memoriserte under trening[1]. Begrepet kommer fra en artikkel fra 2020 av Patrick Lewis og elleve medforfattere, presentert på NeurIPS 2020[2]. En svarsmotor bygget på en live webindeks kjører den samme sløyfen, noe som setter gjenfinnbarhet oppstrøms for alt annet: Google krever at en side er indeksert og kvalifisert til å vises i Google Søk før den kan vises som en støttende lenke i AI-oversikter eller AI-modus[3].
Artikkelen fra 2020
Lewis og medforfattere beskriver en finjusteringsoppskrift for "modeller som kombinerer forhåndstrent parametrisk og ikke-parametrisk minne for språkgenerering"[2]. Den ikke-parametriske halvdelen var en Wikipedia-dump fra desember 2018, forberedt slik at "hver Wikipedia-artikkel er delt inn i separate biter på 100 ord, for å utgjøre totalt 21 millioner dokumenter"[4]. På Natural Questions-benchmark nådde de gjenfinningsforsterkede modellene 44,5 % nøyaktig samsvar, mot 34,5 % for en lukket bok-modell av samme størrelse[5]. En senere undersøkelse navngir feilene mønsteret retter seg mot: "hallusinasjon, utdatert kunnskap og ikke-transparente, usporbare resonnementsprosesser"[6].
Hvordan svarsmotorer bruker det
En søkestøttet assistent kjører den samme sløyfen med det levende nettet som sitt korpus. Google dokumenterer et spørringsutvidelses-trinn i AI-oversikter og AI-modus, som "utsteder flere relaterte søk på tvers av underemner og datakilder" for ett spørsmål[7]. Hvert av disse søkene er et gjenfinningskall, og genereringstrinnet skriver over det gjenfinneren returnerte. Sitater peker på de gjenfunne dokumentene, så en side som mangler i kandidatpuljen kan ikke siteres uansett hvor god den er[3].
Jording fjerner ikke hallusinasjon
En forhåndsregistrert Stanford-ledet evaluering av kommersielle juridiske forskningsverktøy fant at LexisNexis Lexis+ AI og Thomson Reuters Westlaw AI-Assisted Research og Ask Practical Law AI hver hallusinerer på 17 % til 33 % av spørringene, til tross for at alle tre er bygget på gjenfinning[8]. Den samme artikkelen rapporterer at leverandørenes egne påstander om å eliminere eller unngå hallusinasjon er overdrevet[8]. Dette kvalifiserer undersøkelsesrammen ovenfor: gjenfinning reduserer feilen den retter seg mot, snarere enn å eliminere den.
Posisjon i kontekstvinduet
Hvor et gjenfunnet avsnitt sitter i ledeteksten endrer om modellen bruker det. Liu og medforfattere rapporterer at ytelsen er høyest når det relevante dokumentet forekommer i begynnelsen eller slutten av inndatakonteksten[9], og forringes betydelig når modellen må nå det midt i en lang kontekst, inkludert i modeller bygget for lange kontekster[10]. Rangering fortsetter derfor å virke etter gjenfinning, i den rekkefølgen avsnittene er satt sammen.
Hvorfor gjenfinnbarhet avgjør sitering
Gjenfinning skjer per spørring, noe som flytter de praktiske spakene oppstrøms for skriving. Hvorvidt en AI-crawler kan hente siden og hvorvidt siden er indeksert, bestemmer opptak til puljen. Hvordan siden er delt inn i avsnitt bestemmer om det riktige avsnittet scorer høyt for en gitt spørring. Hvor fersk den indekserte kopien er, bestemmer om svaret gjenspeiler den nåværende versjonen. Oppdeling alene er målbart: en evaluering fra 2026 på en biomedisinsk relasjonsuttrekksbenchmark byttet ut fast størrelse på oppdeling med et semantisk skjema og flyttet nøyaktigheten fra 74,2 % til 82,6 % F1[11]. Det er gapet generativ søkemotoroptimalisering arbeider i.
Referanser (11)
- Retrieval-augmented generation - Wikipedia Arkiv
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks Arkiv
- AI-funksjoner og nettstedet ditt - Google Search Central Arkiv
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, full tekst Arkiv
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Tabell 1 Arkiv
- Retrieval-Augmented Generation for Large Language Models: A Survey Arkiv
- AI-funksjoner og nettstedet ditt - Google Search Central Arkiv
- Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools
- Lost in the Middle: How Language Models Use Long Contexts
- Lost in the Middle: How Language Models Use Long Contexts
- Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation Arkiv
Sist oppdatert 2026-09-04. Skrevet og vedlikeholdt av Baseline Labs.
