Fugu-MT 論文翻訳(概要): An End-to-End Ukrainian RAG for Local Deployment. Optimized Hybrid Search and Lightweight Generation

論文の概要: An End-to-End Ukrainian RAG for Local Deployment. Optimized Hybrid Search and Lightweight Generation

arxiv url: http://arxiv.org/abs/2604.22095v1
Date: Thu, 23 Apr 2026 21:59:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-27 15:36:26.279052
Title: An End-to-End Ukrainian RAG for Local Deployment. Optimized Hybrid Search and Lightweight Generation
Title（参考訳）: 局所展開のための終端ウクライナRAG -最適化ハイブリッドサーチと軽量生成-
Abstract要約: 本稿では,ウクライナの文書質問応答に特化して構築されたレトリーバル拡張生成システム(RAG)について述べる。我々のソリューションは、関係するドキュメントページを検索するカスタム2段階の検索パイプラインを備えており、ウクライナ語モデルと組み合わせて正確な答えを生成する。
参考スコア（独自算出の注目度）: 2.1155908599769764
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This paper presents a highly efficient Retrieval-Augmented Generation (RAG) system built specifically for Ukrainian document question answering, which achieved 2nd place in the UNLP 2026 Shared Task. Our solution features a custom two-stage search pipeline that retrieves relevant document pages, paired with a specialized Ukrainian language model fine-tuned on synthetic data to generate accurate, grounded answers. Finally, we compress the model for lightweight deployment. Evaluated under strict computational limits, our architecture demonstrates that high-quality, verifiable AI question answering can be achieved locally on resource-constrained hardware without sacrificing accuracy.
Abstract（参考訳）: 本稿では,ウクライナの文書質問応答に特化して構築され,UNLP 2026共有タスクにおいて2位となった高効率検索・拡張生成(RAG)システムを提案する。我々のソリューションは、関連するドキュメントページを検索するカスタム2段階の検索パイプラインを備えており、合成データに基づいて微調整されたウクライナ語モデルと組み合わせて、正確なグラウンドド回答を生成する。最後に、軽量なデプロイメントのためにモデルを圧縮します。厳密な計算限界の下で評価され、我々のアーキテクチャは、精度を犠牲にすることなく、リソース制約のあるハードウェア上で、高品質で検証可能なAI質問応答をローカルに実現できることを示した。

関連論文リスト

Multimodal Hybrid Retrieval-Augmented Generation for Scientific Document Understanding using Open-Source SLMs [45.88028371034407]
大規模言語モデルは、前もって微調整を行わずに、科学的文書からドメイン固有のキーオンに答えるときに幻覚を起こす傾向がある。本稿では,これらの課題を解決するための高度なマルチモーダル検索型生成システムを提案する。 Qwen2-VL-2B-InstructはBERTScoreのクラウドベースモデルに匹敵する結果を得た。
論文参考訳（メタデータ） (2026-07-06T08:32:09Z)
Less is More: Lightweight Prompt Compression for Question Answering Applications on Edge Devices [18.557908375073307]
COREは2段階の文レベルのプロンプト圧縮法である。我々はNVIDIA Jetson AGX OrinエッジデバイスとHuawei NovaスマートフォンにCOREを実装した。 COREは最先端のベースラインに比べて少なくとも30.19%精度が向上する。
論文参考訳（メタデータ） (2026-04-27T16:11:28Z)
DocSeeker: Structured Visual Reasoning with Evidence Grounding for Long Document Understanding [63.257540233507626]
本稿では、構造化解析、局所化、推論のワークフローを実行するためにモデルを必要とするパラダイムを提案する。ショートページトレーニングから超長文書への堅牢な一般化を示し、視覚的検索・拡張生成システムと自然に相乗効果を示す。
論文参考訳（メタデータ） (2026-04-14T14:39:26Z)
Separate the Wheat from the Chaff: Winnowing Down Divergent Views in Retrieval Augmented Generation [61.47019392413271]
WinnowRAGは、価値あるコンテンツを保持しながら、ノイズの多いドキュメントを体系的にフィルタリングするように設計されている。 WinnowRAGは2段階で動作する: ステージIでは、クエリ対応クラスタリングを行い、類似したドキュメントをグループ化し、異なるトピッククラスタを形成する。ステージIIでは,批判的なLCMが複数のエージェントの出力を評価し,有用な文書をノイズのあるものから反復的に分離する。
論文参考訳（メタデータ） (2025-11-01T20:08:13Z)
Towards Mixed-Modal Retrieval for Universal Retrieval-Augmented Generation [72.34977512403643]
Retrieval-Augmented Generation (RAG) は、外部コーパスから関連文書を取得することで、大規模言語モデル(LLM)を強化するための強力なパラダイムとして登場した。既存のRAGシステムは、主に平凡なテキスト文書に焦点を当てており、クエリとドキュメントの両方が(テキストや画像のような)混合モダリティを含む実世界のシナリオでは、しばしば不足している。我々は,Universal Retrieval-Augmented Generationシナリオに適した混合モーダル-混合モーダルレトリバーであるNyxを提案する。
論文参考訳（メタデータ） (2025-10-20T09:56:43Z)
Leveraging Generative Models for Real-Time Query-Driven Text Summarization in Large-Scale Web Search [54.987957691350665]
クエリ駆動テキスト要約(QDTS)は、与えられたクエリに基づいてテキスト文書から簡潔で情報的な要約を生成することを目的としている。従来の抽出的要約モデルは、主にランク付け候補の要約セグメントに基づいており、産業応用において支配的なアプローチとなっている。産業Web検索におけるリアルタイムQDTSに対処するための生成モデルの適用を開拓するための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-28T08:51:51Z)
Tree-Based Text Retrieval via Hierarchical Clustering in RAGFrameworks: Application on Taiwanese Regulations [0.0]
階層的なクラスタリングに基づく検索手法を提案する。本手法は,意味的関連コンテンツを適応的に選択しながら,システム応答の精度と関連性を維持する。我々のフレームワークは実装が簡単で、既存のRAGパイプラインと簡単に統合できます。
論文参考訳（メタデータ） (2025-06-16T15:34:29Z)
TrustRAG: An Information Assistant with Retrieval Augmented Generation [73.84864898280719]
TrustRAGは、インデックス付け、検索、生成という3つの視点から、acRAGを強化する新しいフレームワークである。我々はTrustRAGフレームワークをオープンソース化し、抜粋ベースの質問応答タスク用に設計されたデモスタジオを提供する。
論文参考訳（メタデータ） (2025-02-19T13:45:27Z)
xRAG: Extreme Context Compression for Retrieval-augmented Generation with One Token [108.7069350303884]
xRAGは、検索拡張生成に適した、革新的なコンテキスト圧縮手法である。 xRAGは、言語モデル表現空間に文書の埋め込みをシームレスに統合する。実験の結果、xRAGは6つの知識集約タスクで平均10%以上の改善を達成していることがわかった。
論文参考訳（メタデータ） (2024-05-22T16:15:17Z)
Generator-Retriever-Generator Approach for Open-Domain Question Answering [18.950517545413813]
文書検索手法と大規模言語モデル(LLM)を組み合わせた新しい手法を提案する。並行して、デュアルエンコーダネットワークは、外部コーパスから質問に関連する文書を検索する。 GRGは最先端のgenerator-then-readおよびrecovery-then-readパイプラインより優れている。
論文参考訳（メタデータ） (2023-07-21T00:34:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。