Core Concepts
R&R 방법론은 문서 기반 QA에서 "중간에 잃어버리는 효과"를 완화하여 성능을 향상시킬 수 있음을 입증했습니다.
Abstract
Devanshu Agrawal, Shang Gao, Martin Gajek이 공동 기여한 R&R 방법론 소개
R&R은 reprompting과 in-context retrieval(ICR)의 조합으로 구성되어 중요 정보 손실을 완화하고 QA 정확도를 향상시킴
GPT-4 Turbo와 Claude-2.1을 사용하여 80k 토큰 길이의 문서에서 R&R을 테스트하고 평균적으로 QA 정확도가 16포인트 향상됨
R&R은 중요한 정보와 지시 사이의 거리를 줄이는 데 도움이 되어 QA 성능을 향상시킴
R&R은 더 큰 청크를 사용하여 LLM 호출 및 출력 토큰을 줄이는 동시에 정확도 하락을 최소화함
Stats
R&R은 문서 기반 QA에서 평균적으로 16포인트의 QA 정확도 향상을 보임
R&R은 입력 토큰 수를 약 1.15% 더 사용하지만 출력 토큰 수는 추가되지 않음
Quotes
"R&R은 중요한 정보와 지시 사이의 거리를 줄이는 데 도움이 되어 QA 성능을 향상시킴."
"R&R은 더 큰 청크를 사용하여 LLM 호출 및 출력 토큰을 줄이는 동시에 정확도 하락을 최소화함."