Hugging Face - Blog · 18.05.2026 ·RAG и реранкинг

Новая семья реранкеров Ettin для RAG

Hugging Face представила новую семью реранкеров Ettin, специально разработанных для улучшения системы извлечения и генерации ответов (RAG). Эти модели предназначены для повышения качества поиска и ранжирования информации в больших наборах данных, что критически важно для эффективной работы ИИ-агентов.

Ettin Reranker Family включает несколько моделей, оптимизированных для разных задач и объемов данных. Например, Ettin-7B и Ettin-13B предлагают баланс между производительностью и ресурсоемкостью, что делает их подходящими для различных сценариев использования. Эти модели могут значительно улучшить точность и релевантность ответов, генерируемых ИИ-агентами, за счет более точного ранжирования извлеченных документов.

Одной из ключевых особенностей Ettin является его способность обрабатывать большие объемы текста с высокой скоростью и точностью. Это особенно важно для агентов, работающих с большими базами знаний или требующих быстрого доступа к актуальной информации. Hugging Face также предоставила инструменты и библиотеки для легкой интеграции этих моделей в существующие системы, что упрощает их использование для разработчиков.

Для команды, работающей над ИИ-агентом Jarv, эта новость особенно важна, так как улучшение качества RAG может значительно повысить эффективность и точность работы агента. Использование Ettin Reranker может помочь в создании более интеллектуальных и точных систем, способных лучше понимать и обрабатывать запросы пользователей.

Источник: Hugging Face - Blog

Похожие материалы

Hugging Face - Blog · Мультиязычные эмбеддинги для RAG Granite Embedding Multilingual R2: новые эмбеддинги для RAG IBM представила Granite Embedding Multilingual R2 — набор мультиязычных эмбеддингов с контекстом до 32K токенов. Это открытая модель под лицензией Apache 2.0, которая демонстрирует лучшее качество ретриваля среди моделей с менее чем 100 миллионами параметров. arXiv · RAG и аналитическое мышление Как RAG помогает ИИ-агентам решать сложные задачи через аналогии Исследователи из MIT и Google Research предложили новый подход к улучшению способности языковых моделей решать сложные задачи через аналогии. В работе, опубликованной на arXiv, они демонстрируют, как Retrieval-Augmented Generation (RAG) может быть адаптирован для более эффективного решения задач, требующих нестандартного мышления. The latest research from Google · RAG и агентные платформы Как Gemini Enterprise Agent Platform улучшает RAG для ИИ-агентов Google представил Agentic RAG — подход к Retrieval-Augmented Generation (RAG) в рамках своей платформы Gemini Enterprise Agent. Этот метод направлен на повышение надёжности и точности ответов ИИ-агентов за счёт улучшенного извлечения и использования контекста из внешних источников. Hacker News · Инфраструктура для ИИ-агентов CoreAI_HTCE: фреймворк для создания ИИ-агентов с поддержкой памяти и RAG Разработчики из команды CoreAI представили фреймворк CoreAI_HTCE, предназначенный для создания ИИ-агентов с расширенными возможностями. Основное преимущество проекта — поддержка механизмов памяти и RAG (Retrieval-Augmented Generation), что позволяет агентам эффективно работать с контекстом и хранить информацию для последующего использования. Hugging Face - Blog · Мультимодальные эмбеддинги для RAG Обучение мультимодальных моделей эмбеддингов и ранжирования Hugging Face выпустила гайд по обучению и тонкой настройке мультимодальных моделей эмбеддингов и ранжирования на базе Sentence Transformers. Это важно для разработчиков ИИ-агентов, так как мультимодальные эмбеддинги позволяют обрабатывать текстовые и визуальные данные в едином пространстве представлений, что критично для систем RAG (Retrieval-Augmented Generation). Hugging Face - Blog · Мультимодальные эмбеддинги и ранжирование Новые мультимодальные модели для эмбеддингов и ранжирования Команда Sentence Transformers представила новые мультимодальные модели для создания эмбеддингов и ранжирования. Эти модели способны обрабатывать как текстовые, так и визуальные данные, что делает их полезными для задач, требующих интеграции разных типов информации. Google DeepMind News · ИИ-агенты и робототехника Gemini Robotics-ER 1.6: новый уровень автономной робототехники DeepMind представила обновлённую версию своей системы Gemini Robotics-ER 1.6, которая значительно улучшает пространственное мышление и многоканальное восприятие роботов. Новая версия позволяет роботам лучше понимать и взаимодействовать с физическим миром, что критически важно для создания автономных агентов. Hacker News · Поиск и RAG Сравнение BM25, векторного и гибридного поиска для RAG В статье на Weaviate Playground проведён подробный анализ трёх подходов к поиску информации: BM25, векторного поиска и их комбинации в гибридном режиме. Это особенно важно для разработчиков ИИ-агентов, так как эффективный поиск — ключевой компонент систем RAG (Retrieval-Augmented Generation). Hugging Face - Blog · Контекст и агенты DeepSeek-V4: миллион токенов для ИИ-агентов Команда DeepSeek представила новую версию своей модели DeepSeek-V4, которая поддерживает контекст длиной в миллион токенов. Это значительный шаг вперёд для разработчиков ИИ-агентов, так как возможность работы с таким объёмом информации открывает новые горизонты для создания более сложных и автономных систем. Hacker News · Оркестрация ИИ-агентов Новый фреймворк для консультации агентов с другими моделями Разработчики из Rainе представили фреймворк Consult-LLM, который позволяет ИИ-агентам консультироваться с другими языковыми моделями. Это решение может значительно расширить возможности агентов, предоставляя им доступ к знаниям и экспертизе различных моделей.

← Все материалы