XRAG: eXamining the Core — Benchmarking Foundational Components in Advanced Retrieval-Augmented Generation

要約

検索された生成（RAG）は、関連データの検索を大規模な言語モデル（LLM）の生成機能と相乗的に、生成された出力が文脈的に関連するだけでなく、正確で最新であることを保証します。
高度なRAGモジュールの基礎コンポーネントのパフォーマンスの徹底的な評価を促進するオープンソースのモジュラーコードベースであるXragを紹介します。
これらのコンポーネントは、レトリエバル前、検索、retリーバル後、および生成の4つのコアフェーズに体系的に分類されています。
再構成されたデータセット全体でそれらを体系的に分析し、それらの有効性のための包括的なベンチマークを提供します。
RAGシステムの複雑さが引き続きエスカレートするにつれて、RAGシステムの潜在的な障害ポイントを特定する重要な必要性を強調しています。
RAGエンジニアリングに固有の障害点を分析するために、一連の実験方法と診断テストプロトコルを策定します。
その後、これらのモジュールの全体的なパフォーマンスを強化することを目的とした特注のソリューションを提供しました。
私たちの作業は、RAGシステムの高度なコアコンポーネントのパフォーマンスを徹底的に評価し、一般的な障害点の最適化に関する洞察を提供します。

要約(オリジナル)

Retrieval-augmented generation (RAG) synergizes the retrieval of pertinent data with the generative capabilities of Large Language Models (LLMs), ensuring that the generated output is not only contextually relevant but also accurate and current. We introduce XRAG, an open-source, modular codebase that facilitates exhaustive evaluation of the performance of foundational components of advanced RAG modules. These components are systematically categorized into four core phases: pre-retrieval, retrieval, post-retrieval, and generation. We systematically analyse them across reconfigured datasets, providing a comprehensive benchmark for their effectiveness. As the complexity of RAG systems continues to escalate, we underscore the critical need to identify potential failure points in RAG systems. We formulate a suite of experimental methodologies and diagnostic testing protocols to dissect the failure points inherent in RAG engineering. Subsequently, we proffer bespoke solutions aimed at bolstering the overall performance of these modules. Our work thoroughly evaluates the performance of advanced core components in RAG systems, providing insights into optimizations for prevalent failure points.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google