GRaSP：地理分布式RAG的延迟感知重排序层
热点事件持续更新
GRaSP：地理分布式RAG的延迟感知重排序层
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Hardik Ruparel、Raj Kumar Pandey 和 Pramod Kumar 提出 GRaSP，一种面向地理分布式 RAG 的即插即用重打分层，无需重新训练：它按延迟衰减相关性，并可在基数预算与各区域上限下选择性地加入成本惩罚，用于优化检索结果的选择。 研究者称，其基础形式是划分拟阵上的线性目标，可由 O(N log N) 贪心算法求得最优解；只有在附加出网预算约束时，问题才变得更难。
AI 根据报道生成 · 1 小时前更新
最新进展10月21日 12:00
GRaSP：面向地理分布式 RAG 的延迟感知优化报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv cs.CLGRaSP：面向地理分布式 RAG 的延迟感知优化
研究者提出 GRaSP，一种无需重训练的即插即用重打分层，按延迟衰减相关性并可选加入成本惩罚，在地理分布式 RAG 中优化检索选择。其基础形式是划分拟阵上的线性目标，可由 O(N log N) 贪心算法最优求解，仅在附加出网预算时才变难。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。