Newest papers

RAG-NIMBF: A Non-Invasive, Modular Benchmarking Framework for Automated RAG Configuration Analysis

Niclas Hart, Nicolas Weeger · 2026 · arXiv

DOI: 10.48550/arXiv.2610.27816 · open-access PDF

Vietnamese

Retrieval-Augmented Generation (RAG) đã trở thành mô hình thống trị để đặt nền tảng cho các sản phẩm của các mô hình ngôn ngữ lớn (LLM) trong kiến thức bên ngoài. Tuy nhiên, các học viên phải đối mặt với một không gian cấu hình rộng lớn bao gồm chunking, embedding, retrieval, reranking, prompting và các mô hình sản xuất, và có hướng dẫn hạn chế về cách các thành phần này tương tác. Chúng tôi trình bày RAG-NIMBF, một khuôn khổ so sánh mô-đun gắn liền với các đường ống RAG hiện có như một lớp đánh giá không xâm lấn. Nó đánh giá không gian cấu hình thông qua kiểm soát ablation với theo dõi thí nghiệm từ đầu đến cuối.

Machine translation (Meta M2M100); the English original follows.

Abstract

Retrieval-Augmented Generation (RAG) has become the dominant paradigm for grounding the outputs of large language models (LLM) in external knowledge. However, practitioners are faced with a vast configuration space comprising chunking, embedding, retrieval, reranking, prompting and generation models, and there is limited guidance on how these components interact. We present RAG-NIMBF, a modular benchmarking framework that attaches to existing RAG pipelines as a non-invasive evaluation layer. It evaluates the configuration space through controlled ablation with end-to-end experiment tracking. T

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange