All translations

Enter a message name below to show all available translations.

Found 8 translations.

Name	Current message text
^h German (de)	Aktive Retrieval-augmented Generation (FLARE) ([[#bib.bib7\|7]]) synthetisiert iterativ einen hypothetischen nächsten Satz. Wenn der generierte Satz Tokens mit niedriger Wahrscheinlichkeit enthält, würde FLARE den Satz als neue Abfrage für das Retrieval verwenden und den Satz neu generieren. Mialon ''et al.'' ([[#bib.bib12\|12]]) überprüft Arbeiten zu fortgeschrittenen Methoden der augmentierten Generierung in Sprachmodellen. Self-refine ([[#bib.bib11\|11]]) baut einen Agenten, um die anfängliche Antwort von RAG durch iteratives Feedback und Verfeinerung zu verbessern. Der ReAct ([[#bib.bib16\|16]]) Agent wird häufig verwendet, um komplexe Anfragen rekursiv zu bearbeiten. Im Bereich der RAG-Bewertung nutzen RAGAS ([[#bib.bib4\|4]]) und ARES ([[#bib.bib14\|14]]) LLMs als Richter und erstellen automatische RAG-Benchmarks zur Bewertung des RAG-Systems. Zhu ''et al.'' ([[#bib.bib17\|17]]) geben einen Überblick über die intensive Nutzung von LLM in einer RAG-Pipeline, einschließlich Retriever, Datengenerierung, Umschreiber und Leser. Wir glauben, dass unsere Arbeit eine einzigartige Perspektive auf den Aufbau sicherer, unternehmensgerechter Chatbots durch unser FACTS-Framework bietet.
^h English (en)	Active Retrieval augmented generation (FLARE) ([[#bib.bib7\|7]]) iteratively synthesizes a hypothetical next sentence. If the generated sentence contains low-probability tokens, FLARE would use the sentence as the new query for retrieval and regenerate the sentence. Mialon ''et al.'' ([[#bib.bib12\|12]]) reviews works for advanced augmented generation methods in language model. Self-refine ([[#bib.bib11\|11]]) builds an agent to improve the initial answer of RAG through iterative feedback and refinement. ReAct ([[#bib.bib16\|16]]) Agent is widely used for handling the complex queries in a recursive manner. On the RAG evaluation front, RAGAS ([[#bib.bib4\|4]]) and ARES ([[#bib.bib14\|14]]) utilize LLMs as judges and build automatic RAG benchmark to evaluate the RAG system. Zhu ''et al.'' ([[#bib.bib17\|17]]) overview the intensive usages of LLM in a RAG pipeline including retriever, data generation, rewriter, and reader. We believe that our work provides a unique perspective on building secure enterprise-grade chatbots via our FACTS framework.
^h Spanish (es)	La generación aumentada por recuperación activa (FLARE) ([[#bib.bib7\|7]]) sintetiza iterativamente una oración hipotética siguiente. Si la oración generada contiene tokens de baja probabilidad, FLARE usaría la oración como la nueva consulta para la recuperación y regeneraría la oración. Mialon ''et al.'' ([[#bib.bib12\|12]]) revisa trabajos sobre métodos avanzados de generación aumentada en modelos de lenguaje. Self-refine ([[#bib.bib11\|11]]) construye un agente para mejorar la respuesta inicial de RAG a través de retroalimentación y refinamiento iterativos. El agente ReAct ([[#bib.bib16\|16]]) se utiliza ampliamente para manejar consultas complejas de manera recursiva. En el frente de evaluación de RAG, RAGAS ([[#bib.bib4\|4]]) y ARES ([[#bib.bib14\|14]]) utilizan LLMs como jueces y construyen un punto de referencia automático de RAG para evaluar el sistema RAG. Zhu ''et al.'' ([[#bib.bib17\|17]]) ofrece una visión general de los usos intensivos de LLM en una línea de RAG, incluyendo el recuperador, la generación de datos, el reescritor y el lector. Creemos que nuestro trabajo proporciona una perspectiva única sobre la construcción de chatbots empresariales seguros a través de nuestro marco FACTS.
^h French (fr)	La génération augmentée par récupération active (FLARE) ([[#bib.bib7\|7]]) synthétise de manière itérative une phrase hypothétique suivante. Si la phrase générée contient des tokens de faible probabilité, FLARE utiliserait la phrase comme nouvelle requête pour la récupération et régénérerait la phrase. Mialon ''et al.'' ([[#bib.bib12\|12]]) passe en revue les travaux sur les méthodes avancées de génération augmentée dans le modèle de langage. Self-refine ([[#bib.bib11\|11]]) construit un agent pour améliorer la réponse initiale de RAG grâce à un retour d'information et un raffinement itératifs. L'agent ReAct ([[#bib.bib16\|16]]) est largement utilisé pour traiter les requêtes complexes de manière récursive. Sur le front de l'évaluation RAG, RAGAS ([[#bib.bib4\|4]]) et ARES ([[#bib.bib14\|14]]) utilisent les LLMs comme juges et construisent un benchmark RAG automatique pour évaluer le système RAG. Zhu ''et al.'' ([[#bib.bib17\|17]]) donnent un aperçu des usages intensifs des LLM dans un pipeline RAG, y compris le récupérateur, la génération de données, le réécrivain et le lecteur. Nous croyons que notre travail offre une perspective unique sur la construction de chatbots sécurisés de niveau entreprise via notre cadre FACTS.
^h Japanese (ja)	アクティブリトリーバル拡張生成（FLARE）（[[#bib.bib7\|7]]）は、仮想的な次の文を反復的に合成します。生成された文に低確率のトークンが含まれている場合、FLAREはその文を新しい検索クエリとして使用し、文を再生成します。Mialon ''et al.''（[[#bib.bib12\|12]]）は、言語モデルにおける高度な拡張生成方法に関する研究をレビューしています。Self-refine（[[#bib.bib11\|11]]）は、反復的なフィードバックと改良を通じてRAGの初期回答を改善するエージェントを構築します。ReAct（[[#bib.bib16\|16]]）エージェントは、複雑なクエリを再帰的に処理するために広く使用されています。RAG評価の面では、RAGAS（[[#bib.bib4\|4]]）とARES（[[#bib.bib14\|14]]）は、LLMを審査員として利用し、RAGシステムを評価するための自動RAGベンチマークを構築します。Zhu ''et al.''（[[#bib.bib17\|17]]）は、リトリーバー、データ生成、リライター、リーダーを含むRAGパイプラインにおけるLLMの集中的な使用法を概観しています。我々の研究が、FACTSフレームワークを通じて安全なエンタープライズグレードのチャットボットを構築するための独自の視点を提供することを信じています。
^h Korean (ko)	능동적 검색 증강 생성(FLARE) ([[#bib.bib7\|7]])은 가설적인 다음 문장을 반복적으로 합성합니다. 생성된 문장이 낮은 확률의 토큰을 포함할 경우, FLARE는 그 문장을 검색을 위한 새로운 쿼리로 사용하고 문장을 재생성합니다. Mialon ''et al.'' ([[#bib.bib12\|12]])은 언어 모델에서 고급 증강 생성 방법에 대한 연구를 검토합니다. Self-refine ([[#bib.bib11\|11]])은 반복적인 피드백과 개선을 통해 RAG의 초기 답변을 향상시키는 에이전트를 구축합니다. ReAct ([[#bib.bib16\|16]]) 에이전트는 복잡한 쿼리를 재귀적으로 처리하는 데 널리 사용됩니다. RAG 평가 측면에서, RAGAS ([[#bib.bib4\|4]])와 ARES ([[#bib.bib14\|14]])는 LLM을 심판으로 활용하여 RAG 시스템을 평가하기 위한 자동 RAG 벤치마크를 구축합니다. Zhu ''et al.'' ([[#bib.bib17\|17]])은 검색자, 데이터 생성, 재작성기, 독자를 포함한 RAG 파이프라인에서 LLM의 집중적인 사용을 개관합니다. 우리는 우리의 FACTS 프레임워크를 통해 안전한 기업용 챗봇을 구축하는 데 있어 독특한 관점을 제공한다고 믿습니다.
^h Portuguese (pt)	A Recuperação Ativa aumentada por geração (FLARE) ([[#bib.bib7\|7]]) sintetiza iterativamente uma próxima frase hipotética. Se a frase gerada contiver tokens de baixa probabilidade, o FLARE usaria a frase como a nova consulta para recuperação e regeneraria a frase. Mialon ''et al.'' ([[#bib.bib12\|12]]) revisa trabalhos sobre métodos avançados de geração aumentada em modelos de linguagem. Self-refine ([[#bib.bib11\|11]]) constrói um agente para melhorar a resposta inicial do RAG através de feedback e refinamento iterativos. O Agente ReAct ([[#bib.bib16\|16]]) é amplamente utilizado para lidar com consultas complexas de maneira recursiva. Na frente de avaliação do RAG, RAGAS ([[#bib.bib4\|4]]) e ARES ([[#bib.bib14\|14]]) utilizam LLMs como juízes e constroem um benchmark automático de RAG para avaliar o sistema RAG. Zhu ''et al.'' ([[#bib.bib17\|17]]) apresentam uma visão geral dos usos intensivos de LLM em um pipeline RAG, incluindo recuperador, geração de dados, reescritor e leitor. Acreditamos que nosso trabalho oferece uma perspectiva única sobre a construção de chatbots seguros de nível empresarial através de nossa estrutura FACTS.
^h Chinese (zh)	主动检索增强生成（FLARE）（[[#bib.bib7\|7]]）迭代合成假设的下一句。如果生成的句子包含低概率的词汇，FLARE将使用该句子作为新的检索查询并重新生成句子。Mialon ''et al.''（[[#bib.bib12\|12]]）回顾了语言模型中高级增强生成方法的相关工作。Self-refine（[[#bib.bib11\|11]]）构建了一个代理，通过迭代反馈和改进来提升RAG的初始答案。ReAct（[[#bib.bib16\|16]]）代理被广泛用于以递归方式处理复杂查询。在RAG评估方面，RAGAS（[[#bib.bib4\|4]]）和ARES（[[#bib.bib14\|14]]）利用LLM作为评判者，并建立自动RAG基准来评估RAG系统。Zhu ''et al.''（[[#bib.bib17\|17]]）概述了LLM在RAG流程中的密集使用，包括检索器、数据生成、重写器和阅读器。我们相信，通过我们的FACTS框架，我们的工作为构建安全的企业级聊天机器人提供了独特的视角。