RaLLe

Rᴀllᴇ

Rᴀllᴇ является доступной основой для разработки и оценки извлечения с большими языковыми моделями (R-LLMS).
Обзор основного использования Rᴀllᴇ на графическом интерфейсе представлен в этом видео.

Rᴀllᴇ разрабатывается в Институте исследований и разработок технологий памяти и разработки Kioxia Corporation.

Ключевые функции

• Легкая разработка и тестирование : пользователи могут легко выбирать, комбинировать и тестировать различные ретриверы и LLM, включая модели с открытым исходным кодом, в графическом интерфейсе.
• Объективная оценка R-LLMS : rᴀllᴇ обеспечивает воспроизводимые эксперименты с объективными контрольными показателями/метриками, что позволяет объективным оценкам производительности R-LLM.
• Прозрачная инженерная инженерия : все входные (подсказки) и вывод LLM видны пользователю, что позволяет легко исследовать и оптимизировать подсказки.

Использование

Начиная:

• Инструкция по установке: install.md.
• Индексация документа: здесь.
• Использование пользовательских наборов данных: здесь.

Используя rᴀllᴇ:

• Руководства по графическим интерфейсу: здесь.
• Оценка с помощью сценария Python: здесь.
• Просмотрите результаты оценки с помощью Mlflow: здесь

Примечание. Эксперименты по оценке могут быть выполнены как через графический интерфейс, так и с использованием сценария.

Ссылка

Новости: Наша статья была принята на демонстрации системы EMNLP 2023.

Ссылка на CITE, когда вы используете rᴀllᴇ в исследовательской статье:

 @misc { ralle ,
      title = { RaLLe: A Framework for Developing and Evaluating Retrieval-Augmented Large Language Models } , 
      author = { Yasuto Hoshi and Daisuke Miyashita and Youyang Ng and Kento Tatsuno and Yasuhiro Morioka and Osamu Torii and Jun Deguchi } ,
      url = { https://arxiv.org/abs/2308.10633 } ,
      year = { 2023 } ,
      eprint = { 2308.10633 } ,
      publisher = { arXiv }
}

Лицензия

Rᴀllᴇ лицензирован MIT, обратитесь к файлу лицензии для получения более подробной информации.