Details

Данная работа посвящена разработке и оценке NeuroRAG — мультиагентной RAG-системе для ответов на вопросы в нейробиологии и медицине. Предмет: методы и архитектуры LLM для специализированных областей. Цель: повысить точность LLM в нейробиологии для научной помощи. Методы: архитектура NeuroRAG (поиск в БД/веб, фильтрация, ансамблевая генерация). Сравнение с аналогами. Результаты: высокая точность NeuroRAG на MMLU (Medical Genetics 96,0%, College Biology 97,2%, College Medicine 87,3%), превосходит аналоги. Применение: нейробиологические и биомедицинские исследования, клинические решения, образование. Выводы: NeuroRAG улучшает ответы LLM в специализированных областях через структурированный поиск, фильтрацию и ансамбль.

This work presents NeuroRAG, a multi-agent RAG system for neurobiology and medical question answering. Subject: LLM methods and architectures for specialized domains. Aim: Enhance LLM reliability and accuracy in neurobiology for automated scientific aid. Methods: NeuroRAG architecture (DB/web search, filtering, ensemble generation). Compared to current models. Results: NeuroRAG high MMLU accuracy (Medical Genetics 96.0%, College Biology 97.2%, College Medicine 87.3%), surpassing OpenBioLLM-70B, BioMistral; better relevance/citation than basic LLMs. Applications: Neuro/biomedical research, clinical decision support, education. Conclusion: NeuroRAG improves LLM response quality in specialized areas via structured search, filtering, and ensemble generation.

• Введение
• Глава 1. ОБЗОР ЛИТЕРАТУРЫ И СУЩЕСТВУЮЩИХ РЕШЕНИЙ
  • 1.1. Большие языковые модели в биомедицине
  • 1.2. Системы генерации с дополненным поиском (RAG)
• ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ
  • 2.1. Источники информации
  • 2.1.1. Внутренний источник биологической информации
  • 2.1.2. Внешние источники информации
  • 2.2. Наборы данных для оценки
  • 2.3. Методы, используемые в NeuroRAG
  • 2.3.1. Метрики оценки
  • 2.3.2. Архитектура NeuroRAG
  • 2.3.3. Маршрутизация запросов
  • 2.3.4. Техника «Step-Back»
  • 2.3.5. Декомпозиция запросов
  • 2.3.6. Переписывание запросов
  • 2.3.7. HyDE (Hypothetical Document Embeddings)
  • 2.3.8. Извлечение документов
  • 2.3.9. Фильтрация документов
  • 2.3.10. Генерация ответа
  • 2.3.11. Проверка на галлюцинации
  • 2.3.12. Проверка ответа
• ГЛАВА 3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ
  • 3.1. Оценка NeuroRAG на биомедицинских наборах данных
  • 3.2. Анализ специализированных нейробиологических запросов
  • 3.3. Пользовательские интерфейсы для оценки и взаимодействия с моделью
  • 3.4. Обсуждение результатов
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ А Список внутренних источников
• ПРИЛОЖЕНИЕ Б Детализированные промпты (запросы к моделям)
• ПРИЛОЖЕНИЕ В Сравнение на примерах запросов