Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
GitHubAI 번역요약
ocean-luna/HMRAG
ACM MM2025에 채택된 HM-RAG는 계층적 멀티 에이전트 기반의 멀티모달 RAG 프레임워크입니다. 구조화, 비구조화, 그래프 데이터를 통합하여 동적 지식 합성을 수행하는 3단계 에이전트 아키텍처를 제안합니다.
6월 9일1
GitHubAI 번역요약
Monte Carlo Tree Search를 통한 검색 증강 생성 (RAG) 강화
MCTS-RAG는 Monte Carlo Tree Search를 RAG와 통합하여 소형 언어 모델(SLM)의 추론 능력을 극대화하는 새로운 방법론입니다. 반복적인 의사 결정과 전략적 검색을 통해 환각을 줄이고, 7B 규모의 모델로도 GPT-4o 수준의 성능을 구현합니다.
6월 9일1
GitHubAI 번역요약
YZ-Cai/SimGRAG
ACL 2025에 채택된 SimGRAG는 지식 그래프(KG) 기반의 RAG 접근 방식으로, 유사 서브그래프를 활용해 질의응답 및 사실 검증 성능을 높입니다. LLM, 임베딩 모델, 벡터 DB를 플러그 앤 플레이 방식으로 결합하여 높은 유연성을 제공합니다.
6월 9일1
GitHubAI 번역요약
FaithfulRAG: 문맥 충실도를 위한 사실 수준의 충돌 모델링 (ACL 2025)
ACL 2025에서 발표된 FaithfulRAG는 RAG 과정에서 검색된 문맥과 생성물 사이의 사실 수준 충돌을 명시적으로 모델링하는 새로운 프레임워크입니다. 기존 방법론보다 높은 문맥 충실도를 보이며, 다양한 백엔드와 평가 도구를 지원합니다.
6월 9일1
GitHubAI 번역요약
HiRAG: 계층적 지식 기반의 검색 증강 생성 (Retrieval-Augmented Generation)
EMNLP 2025 Findings에 채택된 HiRAG는 계층적 지식 구조를 활용한 새로운 RAG 방법론을 제안합니다. DeepRefine 작업을 통해 테스트 시점에 지식 기반을 효율적으로 개선하며, 기존 Naive RAG 대비 월등한 성능 향상을 보여줍니다.
6월 9일0
GitHubAI 번역요약
QuCo-RAG: 사전 학습 코퍼스에서 불확실성 정량화 기반 동적 검색 증강 생성
QuCo-RAG는 모델 내부 신호 대신 사전 학습 코퍼스의 통계적 빈도를 활용하여 검색 시점을 결정하는 동적 RAG 방법론입니다. Infini-gram을 통해 불확실성을 정량화함으로써 환각을 줄이고 다단계 QA 성능을 크게 향상시켰습니다.
6월 9일1
GitHubAI 번역요약
LongLive-RAG: 장기 비디오 생성을 검색 문제로 변환
LongLive-RAG는 장기 비디오 생성 문제를 검색(retrieval) 문제로 접근하여, 기존의 자기회귀적(AR) 모델 한계를 극복합니다. 이 방법은 이미 생성된 전체 비디오를 컨텍스트로 활용해 오류 누적이나 정체성 이탈을 줄이며, 기본 생성기를 재학습할 필요 없이 플러그 앤 플레이 방식으로 적용 가능합니다.
6월 9일0
GitHubAI 번역요약
DataArcTech/RagVL
본 문서는 'MLLM Is a Strong Reranker' 논문의 공식 레포지토리인 RagVL을 소개합니다. RagVL은 지식 강화 리랭킹과 노이즈 주입 훈련을 통해 멀티모달 검색 증강 생성(RAG) 성능을 향상시키는 방법을 제시합니다. 사용자는 LLaVA-v1.5-13B 등 다양한 모델로 Reranker와 Generator를 파인튜닝하고 WebQA/MultimodalQA에서 평가할 수 있습니다.
6월 9일1
GitHubAI 번역요약
LevelRAG: 다중 홉 논리 계획을 통한 재작성 증강 검색기 기반의 검색 증강 생성 향상
LevelRAG는 다중 홉 논리 계획과 하이브리드 검색을 결합한 RAG 프레임워크입니다. 이 시스템은 사용자의 복잡한 질의를 원자적 하위 질의로 분해하고, 각 하위 질의에 대해 여러 저수준 검색기를 활용하여 정확성과 완전성을 높여 답변을 생성합니다.
6월 9일1
GitHubAI 번역요약
DyG-RAG: 이벤트 중심 동적 그래프 검색 증강 생성 프레임워크
DyG-RAG는 비정형 텍스트 데이터에서 시간적 지식을 포착하고 추론하는 최초의 이벤트 중심 동적 그래프 검색 증강 생성(RAG) 프레임워크입니다. 이 시스템은 이벤트를 그래프 구조로 명시적으로 모델링하여 시간적 질의응답(temporal QA) 작업의 정확도를 크게 향상시키며, Time-CoT 프롬프팅을 지원합니다.
6월 9일1
GitHubAI 번역요약
K-ragrec: Knowledge Graph Retrieval-Augmented Generation for LLM-based
본 코드는 ACL 논문 'Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation'을 구현한 PyTorch 코드입니다. 지식 그래프(KG)와 검색 증강 생성(RAG) 기법을 결합하여 추천 시스템에 적용하는 방법을 제시합니다. MovieLens-1M 데이터셋으로 학습 및 평가가 가능하며, 다양한 환경 설정과 명령어 예시를 제공합니다.
6월 9일1
GitHubAI 번역요약
Task-force-for-AI-agents-in-Healthcare/haarf
본 리포지토리는 의료 환경에 특화된 자율 AI 에이전트를 위한 통합적이고 생애주기 중심적인 규제 프레임워크를 제시합니다. 270개 이상의 요구사항과 3가지 위험 카테고리를 포함하며, 의료 분야의 안전성과 컴플라이언스를 목표로 합니다.
6월 9일1
GitHubAI 번역요약
OpenMatch/RAG-DDR: 미분 가능한 데이터 보상(Differentiable Data Rewards)을 사용한 검색 증강
본 기사는 'RAG-DDR'이라는 논문을 소개하며, 미분 가능한 데이터 보상(Differentiable Data Rewards)을 활용하여 검색 증강 생성(RAG) 모델의 성능을 최적화하는 방법을 제시합니다. 사용자는 GitHub에서 프로젝트를 다운로드하고, 특정 패키지를 설치한 후, 주어진 절차에 따라 학습 및 평가 환경을 구축할 수 있습니다.
6월 9일1
GitHubAI 번역요약
amazon-science/auto-rag-eval
이 리포지토리는 ICML 2024 논문의 보조 자료로, RAG 시스템을 평가하기 위한 자동화된 프레임워크를 제공합니다. 이 도구는 주어진 지식 코퍼스 기반으로 LLM을 활용하여 작업별 객관식 시험을 생성하고, 이를 통해 다양한 RaG 변형들을 체계적으로 평가하며 개선하는 방법을 제시합니다.
6월 9일1
GitHubAI 번역요약
RAG-DDR: 미분 가능한 데이터 보상을 사용한 검색 증강 생성 최적화
본 논문은 검색 증강 생성(RAG)의 성능을 최적화하기 위해 미분 가능한 데이터 보상(Differentiable Data Rewards, DDR) 기법을 제안합니다. 이 방법론은 RAG 시스템의 생성 및 지식 정제 모듈에 적용되어 전반적인 정확도를 높이는 것을 목표로 합니다.
6월 9일1
GitHubAI 번역요약
Multi-Modal Context에서 Retrieval-Augmented Generation 벤치마킹
본 논문은 Multi-modal Large Language Models (MLLMs)이 다중 모드 검색 문서를 활용하여 질문에 답하는 능력을 평가하는 $M^2RAG$ 벤치마크를 제안합니다. 이 벤치마크는 이미지 캡셔닝, multi-modal QA 등 네 가지 작업을 포함하며, Multi-Modal Retrieval Augmented Instruction Tuning (MM-RAIT) 방법을 통해 MLLMs의 지식 활용 효과를 높이는 방식을 제시합니다.
6월 9일1
GitHubAI 번역요약
REX-RAG: 검색 증강 생성(RAG)을 위한 강화학습 프레임워크
REX-RAG는 검색 증강 생성(RAG)을 위해 강화학습(RL) 기법을 적용한 프레임워크입니다. 이 시스템은 혼합 샘플링과 원칙적인 정책 교정 메커니즘을 통해 추론 막다른 길에서 벗어나 안정적이고 성능이 향상된 답변 생성을 가능하게 합니다. 다단계 추론 및 도메인 외 일반화에 강점을 보이며, 관련 코드를 GitHub에 공개했습니다.
6월 9일0
GitHubAI 번역요약
GraphRAG-Bench: 그래프 검색 증강 생성 평가를 위한 도메인 특화 추론 과제
GraphRAG-Bench는 그래프 검색 증강 생성(Graph RAG)의 성능을 평가하기 위해 개발된 도메인 특화 추론 과제 및 데이터셋입니다. 이 벤치마크는 16개 분야, 5가지 질문 유형, 그리고 7백만 단어 분량의 코퍼스를 포함합니다. 모델은 정확도와 더불어 골드 추론 과정과의 의미적 대응을 평가받습니다.
6월 9일1
GitHubAI 번역요약
RAG에서 그래프를 사용해야 하는 경우: 그래프 검색 증강 생성(GraphRAG)을 위한 포괄적인 벤치마크 및 분석
본 문서는 그래프 검색 증강 생성(GraphRAG)의 효과와 적용 시나리오를 체계적으로 분석하기 위해 'GraphRAG-Bench'라는 포괄적인 벤치마크를 제안합니다. GraphRAG는 전통적 RAG보다 복잡한 추론과 계층적 지식 모델링에 강점을 보이지만, 실제 작업에서는 성능이 떨어지는 경우도 있어 그 효과 검증이 필요합니다.
6월 9일0
GitHubAI 번역요약
RUC-NLPIR/RAG-Critic
ACL 2025에 채택된 RAG-Critic은 RAG 시스템의 오류를 분류하고 비평하는 3단계 파이프라인을 제안합니다. RAG-Critic-3B 모델과 10만 개의 데이터셋을 공개하여 RAG 성능 평가의 정밀도를 높였습니다.
6월 3일1