页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「训练数据」找到 134 条内容
按专题浏览 →匹配正文：…于以下参考资料回答问题： [检索内容1] [检索内容2] 问题：{用户提问} RAG解决的核心问题 问题 说明 知识时效性 大模型训练数据有截止日期，RAG可接入实时数据库 幻觉问题 生成有溯源依据，可标注参考来源 私有数据 无需训练即可利用企业内部知识 成本可控 比全量微调成本低得多 关键优化方向 混合检索：向量检索 + 关键词检索（BM25）结合 查询改写：HyDE、Query Expansion提升召回率 多路召回：摘要、标题、正文分别建索引
匹配正文：…议 核心对比 维度 SFT RAG 知识更新灵活性 差。需重新训练，成本高、周期长 优。知识库热更新，分钟级生效 推理准确性 依赖训练数据质量，易幻觉 可控。检索结果可溯源、可干预 部署复杂度 相对简单，单模型推理 复杂。需向量库+检索+重排序+生成多模块 泛化能力 强。内化知识，复杂推理更连贯 弱。依赖检索质量，知识片段间推理易断裂 性能上限分析 SFT上限：受限于参数容量和训练数据天花板。模型无法记住无限知识，且知识冲突时易产生幻觉。适合模式学习（风格、格式、推理链）而非…
匹配正文：…档，再综合生成（Map-Reduce模式） 噪声过滤：训练轻量分类器剔除低质量检索结果 三、模型微调（深度优化） 检索感知SFT：训练数据包含(问题, 检索文档, 答案)三元组，让模型学会"信文档而非背知识" 负样本挖掘：故意混入不相关文档，训练模型识别和忽略噪声 引用生成训练：强制输出[cite:1]格式，提升可验证性 关键原则 优先做可控实验：固定检索结果，人工构造理想上下文，测试生成上限。若上限仍差，说明需微调；若上限好，说明提示/上下文工程空间还大。
学习内容与项目面试，在同一条路上。