أظهرت النماذج اللغوية الكبيرة نتائج مثيرة للإعجاب في مجموعة واسعة من المهام باستخدام عدد قليل من الأمثلة. ومع ذلك، عندما يكون المعرفة حاسمة لهذه النتائج، كما هو الحال في مهام مثل الإجابة على الأسئلة والتحقق من الحقائق، يبدو أن هناك حاجة إلى أعداد ضخمة من المعاملات لتخزين هذه المعرفة. تُعرف النماذج المعززة بالاسترجاع بتفوقها في المهام التي تتطلب معرفة كثيفة دون الحاجة إلى نفس العدد الكبير من المعاملات، ولكن لم يكن واضحاً ما إذا كانت تعمل بشكل فعال في بيئات ذات أمثلة قليلة. في هذا البحث، نقدم "أطلس" (Atlas)، وهو نموذج لغوي معزز بالاسترجاع تم تصميمه بدقة وتدربيه مسبقًا يمكنه تعلم المهام التي تتطلب معرفة كثيفة باستخدام عدد قليل جدًا من الأمثلة التدريبية. نقوم بتقييمات على مجموعة واسعة من المهام، بما في ذلك MMLU و KILT و NaturalQuestions، وندرس تأثير محتوى فهرس الوثائق، مما يظهر أنه يمكن تحديثه بسهولة. وبشكل لافت للنظر، يصل "أطلس" إلى دقة تزيد عن 42٪ في Natural Questions باستخدام فقط 64 مثالاً، مما يجعله يتفوق على نموذج يحتوي على 540 مليار معامل بمقدار 3٪ رغم امتلاكه 50 مرة أقل من المعاملات.