Un modelo pequeño pregunta mejor: afinación de la clarificación de consultas para generación aumentada por recuperación

Los sistemas de generación aumentada por recuperación (RAG) dependen de la claridad de la pregunta del usuario, pues consultas ambiguas pueden dificultar la selección de documentos relevantes. En escenarios conversacionales de varios turnos, una consulta puede estar mal formulada o resultar confusa dentro del contexto previo, o bien estar bien escrita pero generar distintas interpretaciones al compararse con los textos recuperados. El objetivo es identificar ambas situaciones y formular una solicitud de aclaración adecuada para el interlocutor. Para abordar este problema, los investigadores presentan ClariEdge, un conjunto de datos que contiene alrededor de 3 900 ejemplos de preguntas ambiguas, junto con casos negativos que no requieren aclaración. Además, demuestran que un modelo pequeño ajustado mediante la técnica LoRA alcanza una precisión de clasificación del 96,6 % y supera a varios modelos más grandes que utilizan prompts, tanto en la tarea de clasificación como en la generación de aclaraciones de calidad. El estudio destaca la importancia de incluir ejemplos negativos difíciles para diferenciar consultas verdaderamente ambiguas de aquellas que pueden resolverse con el contexto disponible. El mismo modelo LoRA funciona bien tanto antes como después de la fase de recuperación, lo que permite integrarlo en dos puntos diferentes del flujo RAG como filtro previo a la generación de respuestas. Esta investigación sugiere que mejorar la capacidad de los sistemas para pedir aclaraciones puede elevar la exactitud y la utilidad de las respuestas generadas, lo que resulta relevante para aplicaciones que dependen de interacción natural con usuarios.

Leer artículo original en arXiv cs.AI

Este resumen es una síntesis informativa elaborada por dataqbs.com. Todos los derechos sobre el contenido original pertenecen a su autor y al medio de comunicación citado. Nosotros solo actuamos como curadores de noticias tecnológicas, sin reclamar autoría alguna.