Исследователи оценили применение RAG к задачам по спортивному программированию
Авторы работы сообщают, что поиск похожих примеров улучшил результаты языковых моделей на выбранных задачах.
Редакция 404fam
Редакционный материал
В работе на arXiv (Cornell University) исследователи описывают подход Retrieval-Augmented Generation (RAG) для решения задач по спортивному программированию. Среди авторов - Gabriel Souza Baggio, Gabriel Machado Lunardi, Guilherme Medeiros Machado, Subhankar Maity, Faiza Belbachir и José Palazzo Moreira de Oliveira. Работа опубликована 9 ноября 2026 года в категориях cs.AI и cs.HC.
Предложенный метод ищет похожие задачи в базе знаний и использует динамический порог, чтобы уменьшить влияние нерелевантных результатов. Авторы сравнили решения по исходным условиям задач, условиям со случайными примерами и условиям с подобранными похожими примерами.
Оценка проводилась на задачах тестовой части набора CodeContests, похожих на задачи из обучающей части. Авторы измеряли долю успешных решений и учитывали рейтинг задач CodeForces Elo. Они также применили анализ Min-K, чтобы изучить возможное влияние запоминания обучающих данных моделями.
Авторы сообщают, что поиск по сходству заметно улучшил результаты моделей в условиях их эксперимента.
Использованные источники (1)
- arXiv (Cornell University)Assessing the Impact of Retrieval-Augmented Generation on Algorithmic Problem-Solving
arXiv (Cornell University)
Материалы по теме
Исследователи представили тест для оценки ответов ИИ на кхмерском языке
Khmer PFGen-Bench оценивает ответы из нескольких предложений без использования языковой модели в роли судьи.
Исследователь сравнил модели распознавания говорящего для голосовых ИИ-агентов
В работе рассмотрели, как модели различают голоса при ограничении задержки менее одной секунды.
Исследователи представили набор данных для южноафриканского жестового языка
Авторы работы описали автоматизированный подход к сбору и подготовке видеоданных для перевода жестового языка в текст.