Które stwierdzenie poprawnie opisuje Retrieval Augmented Generation (RAG)?

Retrieval Augmented Generation (RAG) to technika, która umożliwia dużym modelom językowym (LLM) dostęp do zewnętrznych, autorytatywnych źródeł danych i ich wykorzystanie do generowania odpowiedzi. Zamiast polegać wyłącznie na wiedzy nabytej podczas wstępnego trenowania, LLM najpierw wyszukuje (retrieval) odpowiednie informacje z bazy wiedzy, a następnie wykorzystuje je do wzbogacenia (augmentation) i ugruntowania swojej generowanej odpowiedzi. To znacznie poprawia trafność, dokładność i aktualność informacji, redukując halucynacje bez konieczności kosztownego i czasochłonnego ponownego trenowania modelu. Pierwsza opcja opisuje fine-tuning lub dalsze trenowanie, a nie RAG. Trzecia opcja jest nieprawidłowa, ponieważ ograniczenie LLM do oryginalnych danych treningowych nie zwiększa szybkości odpowiedzi i nie jest celem RAG. Czwarta opcja jest zbyt wąska; RAG ma zastosowanie w wielu dziedzinach, nie tylko w tłumaczeniach.