Name: 벡터 임베딩을 통해 대규모 언어 모델을 보강하여 도메인별 응답성 향상 (동영상) | JoVE Journal
Uploaded: 2024-12-06T12:20:00.000+00:00
Duration: 3 min 14 s
Description: 배우세요 벡터 임베딩을 활용한 대규모 언어 모델 보강 방법으로 의료 분야 응답 품질을 향상시키는 기술입니다. 이 방법은 연구자들이 다양한 모델의 성능을 비교 분석할 수 있게 합니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<meta charset="utf8"></head><body>과학 원고를 대규모 언어 모델에 통합하는 임베딩 방법

<ol><li>Singhal, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large+language+models+encode+clinical+knowledge%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Large language models encode clinical knowledge.</a> Nature. 620 (7972), 172-180 (2023).</li>
<li>Gilson, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+does+ChatGPT+perform+on+the+United+States+medical+licensing+examination%3F+The+implications+of+large+language+models+for+medical+education+and+knowledge+assessment%5BTitle%5D)+AND+%22JMIR+Med+Educ%22%5BJournal%5D)">How does ChatGPT perform on the United States medical licensing examination? The implications of large language models for medical education and knowledge assessment.</a> JMIR Med Educ. 9 (1), e45312(2023).</li>
<li>Guerra, G. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GPT-4+artificial+intelligence+model+outperforms+ChatGPT%2C+medical+students%2C+and+neurosurgery+residents+on+neurosurgery+written+board-like+questions%5BTitle%5D)+AND+%22World+Neurosurg%22%5BJournal%5D)">GPT-4 artificial intelligence model outperforms ChatGPT, medical students, and neurosurgery residents on neurosurgery written board-like questions.</a> World Neurosurg. 179, e160-e165 (2023).</li>
<li>Terwiesch, C. Would Chat GPT3 get a Wharton MBA? A prediction based on its performance in the Operations Management course. , 
 <a target="_blank" href="https://mackinstitute.wharton.upenn.edu/wp-content/uploads/2023/01/Christian-Terwiesch-Chat-GTP.pdf">https://mackinstitute.wharton.upenn.edu/wp-content/uploads/2023/01/Christian-Terwiesch-Chat-GTP.pdf</a> (2023).</li>
<li>Weizenbaum, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ELIZA-a+computer+program+for+the+study+of+natural+language+communication+between+man+and+machine%5BTitle%5D)+AND+%22Communications+of+the+ACM%22%5BJournal%5D)">ELIZA-a computer program for the study of natural language communication between man and machine.</a> Communications of the ACM. 9 (1), 36-45 (1966).</li>
<li>Wu, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+brief+overview+of+ChatGPT%3A+The+history%2C+status+quo+and+potential+future+development%5BTitle%5D)+AND+%22IEEE%2FCAA+Journal+of+Automatica+Sinica%22%5BJournal%5D)">A brief overview of ChatGPT: The history, status quo and potential future development.</a> IEEE/CAA Journal of Automatica Sinica. 10 (5), 1122-1136 (2023).</li>
<li>Touvron, H., et al. Llama 2: Open foundation and fine-tuned chat models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2307.09288">http://arxiv.org/abs/2307.09288</a> (2023).</li>
<li>Huang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+survey+on+hallucination+in+large+language+models%3A+Principles%2C+taxonomy%2C+challenges%2C+and+open+questions%5BTitle%5D)+AND+%22arXiv+%5Bcs.CL%5D%22%5BJournal%5D)">A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions.</a> arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2311.05232">http://arxiv.org/abs/2311.05232</a> (2023).</li>
<li>Thirunavukarasu, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large+language+models+in+medicine%5BTitle%5D)+AND+%22Nature+Med%22%5BJournal%5D)">Large language models in medicine.</a> Nature Med. 29 (8), 1930-1940 (2023).</li>
<li>Lewis, P., et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2005.11401">http://arxiv.org/abs/2005.11401</a> (2020).</li>
<li>Li, J., Yuan, Y., Zhang, Z. Enhancing LLM factual accuracy with RAG to counter hallucinations: A case study on domain-specific queries in private knowledge-bases. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2403.10446">http://arxiv.org/abs/2403.10446</a> (2024).</li>
<li>Zhang, P., Xiao, S., Liu, Z., Dou, Z., Nie, J. -Y. Retrieve anything to augment large language models. arXiv [cs.IR]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.07554">http://arxiv.org/abs/2310.07554</a> (2023).</li>
<li>Ling, C., et al. Domain specialization as the key to make large language models disruptive: A comprehensive survey. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2305.18703">http://arxiv.org/abs/2305.18703</a> (2023).</li>
<li>Ram, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In-Context+retrieval-augmented+language+models%5BTitle%5D)+AND+%22Trans+Assoc+Comput+Linguist%22%5BJournal%5D)">In-Context retrieval-augmented language models.</a> Trans Assoc Comput Linguist. 11, 1316-1331 (2023).</li>
<li>Cormode, G. Sequence distance embeddings. , The University of Warwick. 
 <a target="_blank" href="https://wrap.warwick.ac.uk/61310/7/WRAP_THESIS_Cormode_2003.pdf">https://wrap.warwick.ac.uk/61310/7/WRAP_THESIS_Cormode_2003.pdf</a> (2003).</li>
<li>Guo, Z., et al. Evaluating large language models: A comprehensive survey. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.19736">http://arxiv.org/abs/2310.19736</a> (2023).</li>
<li>Chicago Consensus Working Group. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Chicago+Consensus+Guidelines+for+peritoneal+surface+malignancies%3A+Introduction%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">The Chicago Consensus Guidelines for peritoneal surface malignancies: Introduction.</a> Cancer. 126 (11), 2510-2512 (2020).</li>
<li>Wang, G., et al. OpenChat: Advancing open-source language models with mixed-quality data. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2309.11235">http://arxiv.org/abs/2309.11235</a> (2023).</li>
<li>Jiang, A. Q., et al. Mistral 7B. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.06825 ">http://arxiv.org/abs/2310.06825 </a> (2023).</li>
<li>Megahed, F. M., et al. AI and the future of work in statistical quality control: Insights from a first attempt to augmenting ChatGPT with an SQC knowledge base (ChatSQC). arXiv [cs.HC]. , 
 <a target="_blank" href="http://arxiv.org/abs/2308.13550">http://arxiv.org/abs/2308.13550</a> (2023).</li>
<li>Wang, Y., Ma, X., Chen, W. Augmenting black-box LLMs with medical textbooks for clinical question answering. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2309.02233">http://arxiv.org/abs/2309.02233</a> (2023).</li>
<li>Dodge, J., et al. Measuring the carbon intensity of AI in cloud instances. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDodge%2C+J+%22FACCT+2022%22">FACCT 2022</a>. , (2022).</li>
<li>Samsi, S., et al. From words to watts: Benchmarking the energy costs of large language model inference. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.03003">http://arxiv.org/abs/2310.03003</a> (2023).</li>
<li>Khene, Z. -E., Bigot, P., Mathieu, R., Rouprêt, M., Bensalah, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+a+personalized+chat+model+based+on+the+European+association+of+urology+oncology+guidelines%3A+Harnessing+the+power+of+generative+artificial+intelligence+in+clinical+practice%5BTitle%5D)+AND+%22Eur+Urol+Oncol%22%5BJournal%5D)">Development of a personalized chat model based on the European association of urology oncology guidelines: Harnessing the power of generative artificial intelligence in clinical practice.</a> Eur Urol Oncol. 7 (1), 160-162 (2024).</li>
<li>Kresevic, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimization+of+hepatological+clinical+guidelines+interpretation+by+large+language+models%3A+a+retrieval+augmented+generation-based+framework%5BTitle%5D)+AND+%22NPJ+Digit+Med%22%5BJournal%5D)">Optimization of hepatological clinical guidelines interpretation by large language models: a retrieval augmented generation-based framework.</a> NPJ Digit Med. 7 (1), 102(2024).</li>
<li>Ge, J., et al. Development of a liver disease-specific large language model chat interface using retrieval augmented generation. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGe%2C+J+%22medRxiv%22">medRxiv</a>. , (2023).</li>
<li>Rule-augmented artificial intelligence-empowered systems for medical diagnosis using large language models. Panagoulias, D. P., et al. 2023 IEEE 35th International Conference on Tools with Artificial Intelligence (ICTAI), , 70-77 (2023).</li>
<li>Panagoulias, D. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Augmenting+large+language+models+with+rules+for+enhanced+domain-specific+interactions%3A+The+case+of+medical+diagnosis%5BTitle%5D)+AND+%22Electronics%22%5BJournal%5D)">Augmenting large language models with rules for enhanced domain-specific interactions: The case of medical diagnosis.</a> Electronics. 13 (2), 320(2024).</li>
<li>Jin, Q., et al. Matching patients to clinical trials with large language models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2307.15051">http://arxiv.org/abs/2307.15051</a> (2023).</li>
<li>Gupta, S. K., et al. PRISM: Patient records interpretation for semantic clinical trial matching using large language models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2404.15549">http://arxiv.org/abs/2404.15549</a> (2024).</li>
<li>Hendrycks, D., et al. Measuring massive multitask language understanding. arXiv [cs.CY]. , 
 <a target="_blank" href="http://arxiv.org/abs/2009.03300">http://arxiv.org/abs/2009.03300</a> (2020).</li>
<li>Lin, S., Hilton, J., Evans, O. TruthfulQA: Measuring how models mimic human falsehoods. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2109.07958">http://arxiv.org/abs/2109.07958</a> (2021).</li>
<li>Bommasani, R., Liang, P., Lee, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Holistic+evaluation+of+language+models%5BTitle%5D)+AND+%22Ann+N+Y+Acad+Sci%22%5BJournal%5D)">Holistic evaluation of language models.</a> Ann N Y Acad Sci. 1525 (1), 140-146 (2023).</li>
<li>Banerjee, D., Singh, P., Avadhanam, A., Srivastava, S. Benchmarking LLM powered Chatbots: Methods and Metrics. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2308.04624">http://arxiv.org/abs/2308.04624</a> (2023).</li>
<li>Papineni, K., Roukos, S., Ward, T., Zhu, W. -J. Bleu. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics - ACL '02. , (2001).</li>
<li>Wang, A., Singh, A., Michael, J., Hill, F., Levy, O., Bowman, S. R. Glue: A multi-task benchmark and analysis platform for natural language understanding. , 
 <a target="_blank" href="http://arxiv.org/abs/1804.07461">http://arxiv.org/abs/1804.07461</a> (2019).</li>
<li>Johnson, D., et al. Assessing the accuracy and reliability of AI-generated medical responses: An evaluation of the chat-GPT model. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aJohnson%2C+D+%22Res+Sq%22">Res Sq</a>. , (2023).</li>
<li>Lin, C. -Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ROUGE%3A+A+package+for+automatic+evaluation+of+summaries%5BTitle%5D)+AND+%22Text+Summarization+Branches+Out%22%5BJournal%5D)">ROUGE: A package for automatic evaluation of summaries.</a> Text Summarization Branches Out. , 74-81 (2004).</li>
<li>Chen, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+ChatGPT+family+of+models+for+biomedical+reasoning+and+classification%5BTitle%5D)+AND+%22J+Am+Med+Inform+Assoc%22%5BJournal%5D)">Evaluating the ChatGPT family of models for biomedical reasoning and classification.</a> J Am Med Inform Assoc. 31 (4), 940-948 (2024).</li>
</ol>

<table><tbody><tr><td>pip3 버전 22.0.2&nbsp;</td><td></td><td></td><td></td></tr><tr><td>Python 버전 3.10.12</td><td></td><td></td><td></td></tr></tbody></table>

벡터 임베딩을 통해 대규모 언어 모델을 보강하여 도메인별 응답성 향상

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Chicago Consensus Working Group 관리 지침의 22개 간행물 세트를 사용하여 기본 Llama-7b 모델17을 보강했습니다. 문서는 Llama-Index 도구를 사용하여 벡터 인덱스로 변환되어 Llama-2-7b-CCWG-Embed를 생성했습니다. GPT-3.5 및 GPT-4와 같은 인기 있는 OpenAI 모델도 유사한 방식으로 증강되어 GPT-XX-CCWG-Embed 모델을 생성했습니다. 다양한 복막 표면 악성 종양의 관리와 관련된 지식을 평가하기 위해 총 20개의 객관식 질문(MCQ)이 개발되었습니다. MCQ는 외과 종양학 펠로우에게 기대되는 지식 수준에서 테스트하기 위해 이사회 인증 외과 종양학자가 만들었습니다. Llama-2-7b-CCWG-Embed는 증강 OpenAI 모델과 마찬가지로 기본 모델( 표 1 참조)보다 훨씬 더 나은 성능을 보였습니다. 이는 기준선에 비해 증강을 통해 모델 성능이 향상되었기 때문에 이 방법에 대한 긍정적인 결과로 간주됩니다.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66796/66796fig01.jpg"> 
그림 1: 학술 논문에서 벡터 데이터베이스를 생성하는 개략도. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig01large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66796/66796fig02.jpg"> 
그림 2: 증강 LLM의 전체 시스템 다이어그램. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig02large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66796/66796fig03.jpg"> 
그림 3: Linux 터미널에서 실행되는 증강 Llama-2 모델. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig03large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66796/66796fig04.jpg"> 
그림 4: 증강 Llama-2 모델의 쿼리 결과. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig04large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>법학석사</td>
			<td>점수(정답률)</td>
		</tr>
		<tr>
			<td>라마 - 2 - 7b - 채팅 - hf</td>
			<td>65%</td>
		</tr>
		<tr>
			<td>라마 -2 - 7B - CCWG - 포함</td>
			<td>75%</td>
		</tr>
		<tr>
			<td>오픈챗-3.5-010618</td>
			<td>65%</td>
		</tr>
		<tr>
			<td>미스트랄-7B-v0.119</td>
			<td>70%</td>
		</tr>
		<tr>
			<td>GPT-3.5 영어</td>
			<td>75%</td>
		</tr>
		<tr>
			<td>GPT-3.5-CCWG-임베드</td>
			<td>85%</td>
		</tr>
		<tr>
			<td>GPT-4 (영어)</td>
			<td>85%</td>
		</tr>
		<tr>
			<td>GPT-4-CCWG-임베드</td>
			<td>90%</td>
		</tr>
	</tbody>
</table>
표 1: 복막 악성 종양 관리와 관련된 20개 질문 세트에 대한 다양한 LLM의 점수(정답률).

Large language models (LLMs) have emerged as a popular resource for generating information relevant to a user query. Such models are created through a ...

augmenting-large-language-models-via-vector-embeddings-to-improve

Research

연구

JoVE Journal

Medicine

의학

이 기사에서는 대규모 언어 모델(LLM) 추론과 RAG(Retrieval-Augmented Generation)를 통합하는 RUGGED(Retrieval Under Graph-Guided Explainable disease Distinction)에 대해 설명합니다. 전문가가 선별한 생물의학 지식 기반 및 동료 검토를 거친 생물의학 출판물에서 증거를 도출하여 최신 정보에서 새로운 지식을 종합하고, 설명 가능하고 실행 가능한 예측을 식별하고, 가설 기반 조사를 위한 유망한 방향을 정확히 찾아냅니다.

증거 기반 지식 종합 및 가설 검증: 설명 가능한 AI 및 에이전트 시스템을 통한 생물의학 지식 기반 탐색

우리는 Enti 환각 지수(EHI)를 보상 신호로 사용하여 텍스트 요약에서 개체 수준의 환각을 줄이고자 하는 강화 학습 기반의 미세 조정 방식을 제안합니다. 회의 기록에 대한 실험은 이 방법이 엔터티의 충실성과 정확성을 향상시키는 것으로 나타났습니다.

텍스트 요약을 위한 엔터티 환각 지수를 이용한 대규모 언어 모델 미세 조정

RNA 간섭 (RNAi)는 유전자 녹아웃 이상의 많은 장점을 보유하고 광범위하게 유전자 기능 연구의 도구로 사용되었습니다. DNA를 벡터 기반의 RNAi 기술의 발명은 장기적으로 가능한 inducible 유전자 최저했고, 또한 유전자 입을의 가능성을...

암 관련 유전자 기능을 연구하기 DNA를 벡터 기반의 RNA 간섭

우리는 만성 뇌졸중과 비 유창한 실어증 환자의 언어 능력을 향상시키기 위해 반복적 경 두개 자기 자극 (RTMS)의 사용을 탐험 해보세요. 자극 최적의 응답 각 환자의 오른쪽 전두엽 이랑있는 사이트를 식별 한 후, 우리는 RTMS 치료 10 일 동안이 사이트를 대상으로.

만성 비 유창한 실어증과 뇌졸중 환자의 언어 기능을 개선하기 위해 반복적 경 두개 자기 자극을 활용

랑겐도르프 기구와 관련된 대부분의 연구는 대형 포유류에 대한 시스템의 복잡성이 증가하기 때문에 작은 동물 모델을 사용합니다. 우리는 인간을 포함한 다양한 종에 걸쳐 사용할 수 있고 비교적 쉬운 데이터 수집을 허용하는 대형 동물 모델을 위한 Langendorff 시스템에 대해 설명합니다.

큰 동물 모델에 대한 격리 된 작업 심장 시스템

이 프로토콜은 촬상 마우스 경부 림프절에 대한 고주파 초음파 (HFUS)의 애플리케이션을 설명한다. 이 기술은 시각화 및 경부 림프절 형태, 양 및 혈류의 정량을 최적화한다. 경부 림프절 조직 학적 평가를위한 림프 조직의 처리의 영상 유도 조직 검사도 설명된다.

마우스 경부 림프절의 고주파 초음파 이미징

이 원고는 바이러스 벡터 매개 국소 유전자 전달이 어떻게 중추 신경계에서 전이 유전자를 발현하는 매력적인 방법을 제공하는지 설명합니다.  이 프로토콜은 파킨슨병에 대한 바이러스 벡터 기반 동물 모델을 개발하기 위해 쥐의 흑질에 바이러스 벡터 주입을 수행하기 위한 모든 중요한 단계를 설명합니다.

재조합 아데노 - 관련 바이러스 성 벡터의 정위 주사를 통해 파킨슨 병에 대한 알파 - 시누 클레인 기반 쥐 모델 개발

전 임상 재현, 빠르고, 효율적인 약리 보호자를 호출 하는 "고아" 약물의 소설 클래스에 대 한 테스트 있도록 수요가 있다. 우리 소설 약리 보호자 약물으로 서 적격 환자에 대 한 간단 하 고, 고도로 표준화, 다양 한 세포 문화 기반 분석 결과 화면을 개발 했다.

생체 외에서 Fabry에 Pompe 질병 테스트 약리 보호자 응답성을 효소 측정

쥐에서 실험제의 INTracheal (IT) 투여는 종종 말단 폐에 비대칭 전달을 초래한다.  이 보고에서는, 우리는 살아있는 마우스에 있는 각 폐를 비 작동가능하게 캐뉼기 위하여 직접적인 기관내 (IB) 접근을 기술합니다.  이러한 접근법은 하나의 폐에 제제를 선택적으로 투여하기 위해 사용될 수 있거나 또는 두 폐에 대한 대칭에이전트 전달을 개선하기 위해 적응될 수 있다.

마우스 폐 내 선택적 에이전트 침착을 개선하기 위한 직접 기관내 투여

관상 동맥 혈관신생의 시험관내 모델은 관상 동맥 혈관신생의 세포 및 분자 기전의 발견을 위해 이용될 수 있다. 부비동 및 심내막 조직의 체외 배원 배양은 VEGF-A에 반응하여 견고한 성장을 나타내고 생체 내에서와 같이 COUP-TFII 발현의 유사한 패턴을 표시한다.

관상 동맥 혈관 신생의 체외 모델

배우세요 벡터 임베딩을 활용한 대규모 언어 모델 보강 방법으로 의료 분야 응답 품질을 향상시키는 기술입니다. 이 방법은 연구자들이 다양한 모델의 성능을 비교 분석할 수 있게 합니다.

벡터 임베딩을 통해 대규모 언어 모델을 보강하여 도메인별 응답성 향상

더 많은 동영상 탐색