第256章 感冒了(第4/6页)
章节报错
大语言模型，例如 gpt 系列、 系列、i 系列等，在自然语言处理方面取得了显著的
成功，展示了超强的性能，但仍面临诸如幻觉、过时的知识、不可追溯的推理过程等挑战。2020
年，由 lewis 等人引入的检索增强生成方法，通过整合来自外部数据库的知识，然后再继续回答问
题或生成文本。这个过程不仅为后续阶段提供信息，而且确保响应是基于检测到的证据的，从而显
著提高输出的准确性和相关性。在推理阶段从外部知识库动态检索信息使 rag 能够解决诸如生成幻
觉等问题。rag 与 ll 的集成得到了迅速的应用，提高了自然语言处理任务的性能，并且使得模型
能够更好地利用外部知识和背景信息。
知识抽取主要分为命名实体识别和关系抽取两方面。命名实体识别（ner）任务，旨在识别与
特定语义实体类型相关联的文本跨度。该任务最早于 1991 年由 rau 等人提出。随着信息理解、人
工智能等领域的顶级会议对 ner 任务的评测，其定义逐渐细化和完善，并逐渐成为自然语言处理