【RAGS TO RICHES vol.891】でした。ありがとうございました。キングオブコント2回戦に向けて貴重なルーボでの舞台でした。微調整しつつ尺を気にしつつ上手く立ち回れたかなと思います。これで韓国帰りの高木君をグッと現実に引き戻させました。ライブ数は少ないけどやることやってガンガンもがくぞ！

【RAGS TO RICHES vol.880】でした。ありがとうございました。先日の新ネタライブでおろしたばかりのネタでした。どこでやっても安心して出来そうです。やっぱりあれはいいネタだったんだと再認識。ライブ終わりにブラブラしていると可愛い子ちゃんに会ったのでナンパしてお茶に付き合ってもらいました

RAGで、いかにデータの前処理が重要か、さらに解答時に引用を検証することの大事さがしっかり語られている記事で良かった。オブザーバビリティもしっかり対応している。 RAG対象は船隊運航関連の情報だけど、出てくる課題感は他のドメインでもあるあるなのも良かった。

RAGの「精度を上げると遅くなる」ジレンマに、トピックを“方位磁針”として使う発想で挑む研究です🧭 タイトル: MCompassRAG: Topic Metadata as a Semantic Compass for Paragraph-Level Retrieval URL: 🧭 概要 トピックレベルのシグナルを「意味的なコンパス」として使い、関連する根拠を段落（パラグラフ）レベルで選び出す、メタデータ誘導型の検索フレームワークです。精度と効率を同時に高めることを狙います。 ❓ 解決する課題 RAGには、検索の精度と効率のトレードオフがあります。 ・細かいチャンクは精度が上がるが、候補が増えてレイテンシとコストが増大します ・大きいチャンクは候補が減るが、複数トピックの混在で意味的ノイズが生まれます 特に大規模データへの高速・高精度検索が要るディープリサーチで顕著です。 💡 方法論と提案手法 ・チャンクの表現を、同一の埋め込み空間内でトピックメタデータによって強化します ・LLM教師蒸留で、軽量なリトリーバーを訓練します ・これにより、推論時に追加のLLM呼び出しなしで「トピックを意識した検索」を実現します メタデータと密な埋め込みを組み合わせ、軽量リトリーバーに蒸留するのが核心です。 📊 実験結果 ・情報効率：6つのベンチマークで平均8.24%改善 ・レイテンシ：最も強力な効率重視RAGベースラインより5倍以上低い ・コードは公開リポジトリで提供 推論時の追加LLM呼び出しなしで、この精度と速度を両立しています。 #RAG# #検索#

RAGEカフェになるさんと行ってきたよ〜！ コラボメニュー美味しかった😋 バターチキンカレーのあじがした #レッドブル# x #モンハンワイルズ#

RAGE大満喫してしまったーーー！！！ 茶々丸ちゃらいすちゃ可愛すぎだし会えてにっこり☺️ 今度一緒にOWする約束しちゃった♡ 一緒に行ってくれたうかるありがとうねえ…✨