في عالم الذكاء الاصطناعي المتسارع، تواجه أنظمة الجيل المدعوم بالاسترجاع (RAG) تحديات كبيرة عند التعامل مع أسئلة متعددة الجوانب، خصوصًا تلك التي تتطلب دمج معلومات من عدة فقرات داخل وثائق مختلفة. لطالما اعتمدت الطرق التقليدية في هذا السياق على إعادة تشكيل الاستعلامات باستخدام نماذج لغة ضخمة (LLMs) وعمليات متعددة المراحل، مما يؤدي لارتفاع التكاليف الحاسوبية نتيجة للتكرار المتكرر لهذه النماذج.

لكن مع ظهور TreeHop، الطرح الجديد الذي يعد ثورة في هذا المجال، أصبح بالإمكان تجاوز هذه التحديات. يعمل TreeHop على تحديث استعلامات الذكاء الاصطناعي من خلال دمج المعلومات الدلالية من الاستعلامات السابقة والوثائق المسترجعة، مما يمكنه من تنفيذ عمليات استرداد تكرارية عبر فضاء التضمين دون الحاجة إلى نماذج لغة ضخمة.

وهكذا، يستبدل TreeHop الدورة التقليدية المتمثلة في "استرجاع-إعادة كتابة-تضمين-استرجاع" بدورة أكثر كفاءة "استرجاع-تضمين-استرجاع"، مما يؤدي إلى تقليل كبير في التكاليف الحاسوبية. بالإضافة إلى ذلك، تم تقديم معيار توقف قائم على قاعدة معينة لتقليل الاسترجاعات الزائدة، مما يحقق توازنًا جيدًا بين الكفاءة ومعدل الاسترجاع.

وتظهر النتائج التجريبية أن TreeHop ينافس الطرق المتقدمة في RAG عبر أربع مجموعات بيانات منMHQA، حيث يحقق أداءً مماثلاً مع 2.2%-29.4% فقط من حجم المتطلبات المعاملية للحلول الحالية، ويقلل زمن الاستعلام بنسبة تصل إلى 92.8%-97.8%. تجعل هذه الميزات TreeHop حلاً أسرع وأكثر توفيرًا للتطبيقات ذات الموارد المحدودة أو الحساسة للزمن.

لمزيد من المعلومات والدخول إلى الأكواد والبيانات، يمكنكم زيارة الرابط المتاح هنا: [https://github.com/allen-li1231/TreeHop-RAG]