摘要
本文提出了MPR-CiteG框架，在ScienceON AI挑战赛中获得第二名，解决了生成式AI中的两个基本挑战：低效的检索与缺乏来源验证。我们提出了一个双组件系统，称为MPR-CiteG，其中多组合检索器（MPR）高效地检索多样且相关的信息，而引用基础生成（CiteG）模块确保每个生成的输出都保持事实一致性，并明确归属其来源。
MPR-CiteG代表了构建更可信和准确的LLMs的重要一步，这些模型不仅能够生成信息，还能将其响应基于可靠的证据，从而减轻模型幻觉等常见问题。我们在挑战数据集上进行了广泛的实验，验证了我们方法的有效性和可靠性。
我们的代码可在 GitHub 获取。
博主点评： MPR-CiteG通过双组件方式解决了生成式AI中的关键问题，尤其是在信源验证和信息多样性方面，为未来的LLM发展奠定了更为坚实的基础。其有效性验证也为其他研究提供了宝贵的经验。