이 프레임워크는 중산대학과 홍콩 중국대학에서 논문을 통해 개발되었습니다. 「DQ-LORE: 맥락 내 학습을 위한 낮은 순위 근사 재순위화를 사용한 이중 쿼리」제안됨.

본 연구에서 연구팀은 "이중 쿼리(dual query)"를 사용하는 프레임워크를 도입했다.실격) 및 저순위 근사 재배열(과학적 학문)"는 문맥 학습 사례를 자동으로 선택합니다. 실험 결과, DQ-LoRe는 GPT-4 사례를 자동으로 선택하는 데 있어 기존 방식을 능가했으며, 정확도는 92.5%에서 94.2%로 향상되어 LLM이 복잡한 추론 문제를 해결할 수 있는 새로운 길을 열었습니다. 연구팀의 포괄적인 분석 결과, DQ-LoRe는 특히 분포 변화가 특징인 시나리오에서 성능과 적응성 측면에서 검색 기반 방식을 지속적으로 능가하는 것으로 나타났습니다. DQ-LoRe는 상황 학습의 경계를 넓히고 복잡한 추론 문제를 해결하는 새로운 길을 열어줍니다.