محققان در یک پژوهش جدید، کارایی تکنیکهای RAG (بازیابی اطلاعات) و GraphRAG را برای استفاده در کتابهای درسی ریاضی مقایسه کردهاند. نتایج جالب توجه است:
🔹 مدلهای مبتنی بر Embedding (RAG) در بازیابی دقیق صفحات کتاب، عملکرد بهتری نسبت به GraphRAG داشتند.
🔹 برخلاف تصور، متدهای کلاسیک مثل BM25 همچنان به عنوان یک پایه قدرتمند عمل میکنند.
🔹 استفاده از مدلهای کوچکتر (مانند Qwen3.5) در سیستمهای RAG بهبود قابل توجهی در دقت پاسخدهی ایجاد میکند که برای کاهش هزینههای پروژههای آموزشی بسیار کلیدی است.
اگر در حال طراحی سیستمهای دستیار آموزشی هوشمند هستید، این یافتهها نقشه راه خوبی برای انتخاب معماری بهینه به شما میدهد. 💡
منبع: arXiv AI