文章核心观点 - ACL 2025最新研究提出Lexical Diversity-aware RAG (DRAG)框架，首次系统性地将词汇多样性引入RAG的检索与生成过程 [1] - 该框架提供了一个轻量、通用且易扩展的解决方案，在多项基准任务中带来显著性能提升，尤其在HotpotQA上刷新了当前最优结果 [1][2] - 该方法对信息检索、问答系统、专业领域大模型应用具有重要价值，未来计划进一步拓展到更多专业场景 [5] 技术背景与痛点分析 - 现有RAG方法普遍忽视词汇多样性问题，导致检索模型因同一问题的不同表达方式而产生错误答案 [4][5] - 词汇多样性表现为不变词（如人名）、可变词（如职业同义词）和补充信息（如扩展语境）三种成分，常导致模型错误判断文档相关性 [6][8] 核心技术创新 - 提出Diversity-sensitive Relevance Analyzer (DRA)模块，通过拆解查询语义并对不同成分采用差异化策略，实现更细粒度的相关性评分 [9][12] - 提出Risk-guided Sparse Calibration (RSC)模块，通过实时监控生成token的"被误导风险"并进行稀疏校准，防止生成阶段被无关信息干扰 [11][13][14] - DRA负责精准检索，RSC负责防止生成偏差，形成检索与生成环节的双保险 [15] 实验性能结果 - 在PopQA短文本问答任务上准确率达到68.3%，较基线提升4.9个百分点 [16] - 在TriviaQA短文本问答任务上准确率达到77.4%，较基线提升4.4个百分点 [16] - 在HotpotQA多跳问答任务上准确率达到46.4%，较基线大幅提升10.6个百分点 [16] - 在2WikiMultiHopQA多跳问答任务上准确率达到54.6%，同样提升10.6个百分点 [16] - 在ASQA长答案生成任务的str-em、QA-F1等指标上刷新SOTA [16] - 该方法在Llama2-7B、Llama2-13B、Qwen2-7B等多种类型和尺寸的模型上均表现出显著性能增益 [18] 应用价值与前景 - 该方法解决了RAG系统因词汇多样性导致的准确性问题，让大模型不仅能"读懂"更能"理解"复杂的人类语言表达 [5] - 框架具有轻量、通用且易扩展的特点，适用于信息检索、问答系统及专业领域大模型应用 [1][5]

产品发布核心信息 - Progress Software推出名为Progress® Agentic RAG的SaaS检索增强生成平台 旨在为各种规模的组织和团队提供可信且可验证的生成式AI [1] - 该平台的发布是公司在收购Nuclia之后的一个重要里程碑 标志着其在可负担AI创新方面取得重大进展 [1] - 新产品定价为每月700美元起 可通过AWS Marketplace和Progress官网以自助服务形式获取 [6] 产品定位与市场痛点 - 当前所有企业都面临结构化和非结构化数据呈指数级增长的挑战 数据通常处于孤岛状态或难以查找 [2] - 缺乏业务数据背景的生成式AI会产生不可靠的答案 而传统的RAG解决方案需要专业知识和大量资源来实施和运行 [2] - 该平台通过提供可追溯且直观的AI驱动搜索 改变了市场格局 其设置简单、易于使用 并且对各种规模的企业都价格合理 [2] 产品核心功能与优势 - 平台具备无代码RAG管道 支持跨多语言文本、音频、视频等格式的智能化摄取、索引和检索 [9] - 提供智能搜索功能 能在非结构化数据之上交付AI搜索和生成式答案 以可信答案的形式提供知识 [9] - 平台专为向AI代理交付可靠且可扩展的检索功能而设计 并支持所有领先的企业级大语言模型 用户可完全控制LLM的选择 [9] - 平台由NucliaDB提供支持 该数据库除存储向量外 还内置语义搜索、关键词搜索、元数据搜索、知识图谱遍历和多模态理解功能 [9] - 内置RAG评估指标工具 以支持可追溯性和一致的答案质量 [9] 客户价值与应用场景 - 该平台旨在帮助企业将非结构化数据转化为可操作的智能 从而获得竞争优势 [1] - 客户案例显示 该平台通过从非结构化数据中提供快速、准确且可验证的洞察 显著提升了生产力和决策能力 [4] - 该平台已跨行业部署 通过AI驱动的产品推荐加速销售周期 通过高质量响应实现自动化客户支持 并为法律团队提供精确的语义研究 [5] - 组织还利用该平台保存机构知识 简化新员工入职流程 并安全地查询敏感数据 从而推动更快的工作流程和更智能的决策 [5] 管理层与行业观点 - 公司CEO表示 该平台通过将智能体技术与检索增强生成相结合 使AI对每个组织而言都变得实用、可扩展且可信 [3] - IDC高级研究经理认为 像Progress Agentic RAG这样为更易部署而构建的具成本效益的解决方案 能帮助企业释放生产力和创新 并处于转型前沿 [5] - 该平台服务于从中小企业到全球企业的多样化用户 其灵活的SaaS部署模式最大限度地降低了采用障碍 使变革性AI既易于获取又价格合理 [3]

Cisco Systems, Inc. (NASDAQ:CSCO) is one of the best cybersecurity stocks to buy right now. On September 4, the company confirmed the expansion of its Secure AI Factory with the Nvidia Platform. The expansion follows the unveiling of a new solution designed to accelerate retrieval-augmented generation (RAG) pipelines. Cisco Systems Inc. (CSCO) Expands Secure AI Factory with the Nvidia Platform Ken Wolter / Shutterstock.com While integrating VAST Data’s InsightEngine with Cisco AI PODs, the new solution ...

产品发布与合作 - 思科与NVIDIA及VAST Data合作推出集成解决方案 旨在加速企业级AI代理的检索增强生成(RAG)流程并实现规模化部署[1][2] - 解决方案采用NVIDIA AI数据平台参考设计 结合VAST InsightEngine技术 将原始数据转化为AI就绪数据集[3][7] - 思科AI POD现可配置VAST InsightEngine 成为首批提供NVIDIA AI数据平台参考设计的系统之一[3][8] 技术架构与性能 - 采用思科UCS服务器与NVIDIA RTX PRO 6000 Blackwell服务器版GPU 为下一代AI应用提供卓越性能[3] - NVIDIA加速计算与AI软件确保低延迟模型交互 思科高性能以太网实现计算与数据无缝连接[4] - 将RAG管道延迟从分钟级降至秒级 实现近实时AI响应 支持多智能体并行工作负载[11] 企业应用价值 - 解决方案支持AI代理持续运行和动态学习 通过高数据吞吐量实现多步推理 提供情境化商业成果[11] - 集成Splunk环境可视化功能 通过思科AI Defense为每个令牌提供安全防护[4][7] - 具备基于角色的访问控制和合规审计功能 在保护敏感数据的同时加速AI创新[11] 市场定位与发展 - 该架构专门针对企业级AI代理工作负载设计 解决数据瓶颈和延迟问题 满足跨行业企业复杂需求[6] - VAST Data成为首家与思科AI POD集成的供应商 目前该解决方案已可通过思科订购[8] - 合作三方高管均表示该集成平台代表了企业AI演进的重要里程碑 为智能代理安全协作奠定基础[5]

核心产品发布 - Progress Software宣布MarkLogic Server 12全面上市 该版本引入语义搜索和图检索增强生成(RAG)能力 帮助企业在可信数据基础上构建生成式AI应用 [1] - 新产品支持本地和云端部署 具备原生向量搜索、虚拟视图、BM25相关性排序及高级语义算法等核心功能 旨在提升企业AI和分析的检索精度与效率 [2] 技术性能提升 - 采用语义搜索和图RAG方法的客户在概念验证中报告 大语言模型响应准确率平均提升33% 专家信息发现时间显著加速 [3] - 具体案例包括金融机构将LLM准确率从70%提升至95% 研究时间从数小时缩短至分钟级 制药企业将文档发现加速至秒级且正确答案增加73% [9] 客户实施成效 - 客户CAS通过结合MarkLogic与AWS服务 将产品交付周期从18个月压缩至90天 实现数据价值转化和上市速度提升 [4] - 农业企业通过AI研发中心将正确答案率从50%提升至90% 食品技术公司实现99%的LLM输出准确性与完整性 [9] 行业应用拓展 - 全球研究机构及公共部门已利用该技术从科学数据、专有数据和公共数据中提取深度洞察 [2] - 公司高管强调基于RAG的技术正推动企业从实验转向构建可解释、安全且符合业务目标的AI系统 [5]

核心观点 - Agentic RAG 当前面临优化目标偏离、检索与生成耦合、评价标准不准确等挑战 [8][9][14] - s3 方法通过 Search-Select-Serve 范式和 Gain Beyond RAG 奖励函数，显著提升训练效率和生成效果 [1][16][17] - s3 仅需 2.4k 训练样本，在多个领域问答任务中超越数据规模大百倍的基线模型 [1][22][25] RAG 发展轨迹 - Classic RAG：使用固定 query 和 BM25 等检索器，生成器对结果无反馈 [7] - Pre-RL-Zero Active RAG：引入多轮 query 更新和 prompt 引导检索，如 IRCoT 和 Self-RAG [7] - RL-Zero 阶段：强化学习驱动检索行为，代表方法包括 DeepRetrieval 和 Search-R1 [7] 当前 RL-based Agentic RAG 的挑战 - 优化目标偏离：Exact Match 指标过于苛刻，导致模型优化答案 token 对齐而非搜索行为 [9][10] - 检索与生成耦合：无法区分性能提升来自更好的搜索还是更强的语言生成对齐能力 [11][12] - 评价标准不准确：传统 QA 指标与搜索质量关联有限，search-oriented 指标无法体现信息利用效果 [14] s3 方法设计 - 核心思想：只训练搜索器、冻结生成器，以生成结果提升为奖励 [16] - Gain Beyond RAG：衡量搜索到的上下文相比初始 top-k 检索结果是否带来真实增益 [17] - Generation Accuracy：结合 span 匹配和 LLM 判断，与人类判断一致率达 96.4% [18][32] 训练与优化 - 采用 PPO 进行策略优化，预筛除 naive RAG 能答对的样本，集中训练需要新检索信息的任务 [19][20] - 训练总时间仅需 114 分钟，比 Search-R1 的 3780 分钟大幅减少 [21][22] - 训练样本仅需 2.4k 条，比基线方法减少约 70 倍 [1][22][25] 实验分析 通用 QA 任务 - s3 在五个数据集上实现最优表现，平均准确率优于 Search-R1 和 DeepRetrieval [23][24][25] - 使用不同下游 LLM（Qwen2.5-7B/14B-Instruct、Claude-3-Haiku）均展现稳定性能 [24] 医学 QA 任务 - s3 在医学领域展现强泛化能力，在 MedQA-US、MedMCQA 等数据集上优于基线 [26][27] - 使用不同语料库（Wikipedia2018 和 MedCorp）均保持稳定性能，无过拟合趋势 [27] 消融实验 - 原始问题作为检索起点有助于明确搜索目标，避免策略偏离主题 [31] - 文档选择机制减少输入 token 2.6 至 4.2 倍，提升效率并减少噪声干扰 [31] - s3 设计在准确性、训练效率和推理速度上达到最优平衡 [29][30]