La ricerca può richiedere caratteristiche utili mentre genera risultati

I sistemi di ricerca possono usare molti indizi su una richiesta e sui possibili risultati, ma aggiungerli tutti in anticipo può aumentare i costi e introdurre informazioni irrilevanti.

Un modello di retrieval può decidere quale indizio serve per una certa richiesta e quando dovrebbe influenzare l'elemento che sta generando?

Agentic Generative Retrieval permette al modello di chiamare strumenti che forniscono caratteristiche mentre genera l'identificativo di un elemento, scegliendo se, quali e quando usarle in base alla richiesta e al prefisso SID corrente.

Nei test offline di retrieval, i ricercatori hanno confrontato AGR con TIGER, un metodo standard di retrieval generativo. Sulle richieste Industry tenute da parte, il Recall@32 di AGR era superiore del 14,04% rispetto a TIGER.

Recall@32 calcola la frazione di elementi noti e pertinenti trovati tra i primi 32 risultati per ciascuna richiesta e ne fa la media.

Il confronto sostiene le prestazioni di retrieval di AGR in questa configurazione.

I due metodi condividevano un backbone preaddestrato su testo, i codebook SID, i dati di addestramento, il tasso di apprendimento e la configurazione hardware, ma l'articolo non stabilisce che condividessero il checkpoint iniziale.

Il confronto offline riguarda le richieste di test Industry, e l'articolo non stabilisce che AGR e TIGER siano partiti dallo stesso checkpoint.

Il risultato in produzione misura un solo indicatore di pertinenza in un solo sistema di ricerca; nessuno dei due risultati dimostra effetti in tutti i sistemi o sugli esiti per gli utenti.