對於依賴頻繁變動庫存資料的自然語言生成模型，哪種方法可以在推論時納入最新資訊，從而提高準確性？

檢索增強生成 (RAG) 透過從外部知識庫中檢索相關資訊，然後將其作為上下文輸入給大型語言模型 (LLM)，從而使其能夠生成更準確、更及時的回答。這對於需要頻繁更新資料（例如庫存資訊）的應用特別有用，因為模型可以直接查詢最新資料，而無需重新訓練。 轉移學習 (Transfer learning) 涉及將預訓練模型應用於新任務，但它本身不提供即時資料更新。聯邦學習 (Federated learning) 是一種分散式機器學習方法，用於在不共享原始資料的情況下訓練模型，與即時資訊整合無直接關係。單次提示 (One-shot prompting) 是一種提示工程技術，透過提供一個範例來引導模型，但它不具備檢索外部最新資訊的能力。