💬 NLP

Controlling Authority Retrieval: A Missing Retrieval Objective for Authority-Governed Knowledge

यह शोध पत्र कंट्रोलिंग अथॉरिटी रिट्रीवल (CAR) प्रस्तुत करता है, जो एक औपचारिक ढांचा है जो सिमेंटिक दूरी के बावजूद पिछले दस्तावेजों के स्थान पर प्रभावी होने वाले सक्रिय आधिकारिक दस्तावेजों को खोजने की चुनौती का समाधान करता है, और एक दो-चरणीय रिट्रीवल दृष्टिकोण को मान्य करता है जो कानूनी, नियामक और सुरक्षा डोमेन में मानक डेंस विधियों की तुलना में काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Andre Bacellar

प्रकाशित 2026-04-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andre Bacellar

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ शोध पत्र "Controlling Authority Retrieval" का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ अनुवाद दिया गया है।

बड़ी समस्या: "पुराना नक्शा" बनाम "नया नियम"

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में। आप एक सवाल पूछते हैं: "क्या संदिग्ध अभी भी फरार है?"

आपके पास दस्तावेज़ों की एक विशाल लाइब्रेरी है।

दस्तावेज़ A (द "एंकर"): पिछले हफ्ते की एक पुलिस रिपोर्ट जिसमें लिखा है, "संदिग्ध जॉन डो वर्तमान में फरार है।" यह दस्तावेज़ आपके कीवर्ड्स से पूरी तरह मेल खाता है।
दस्तावेज़ B (द "अथॉरिटी"): आज की एक प्रेस विज्ञप्ति जिसमें लिखा है, "जॉन डो को पकड़ लिया गया है और वह हिरासत में है।"

पेंच (The Catch): दस्तावेज़ B पूरी तरह से अलग शब्दों का उपयोग करता है। यह "गिरफ्तारी", "जेल" और "हिरासत" के बारे में बात करता है, जबकि आपका सवाल और दस्तावेज़ A "फरार" और "भगोड़े" के बारे में बात करते हैं।

मानक AI की विफलता:
वर्तमान AI सर्च इंजन (जैसे कि वे जो कई चैटबॉट्स को शक्ति देते हैं) एक कीवर्ड मैचमेकर (शब्द मिलाने वाले) की तरह काम करते हैं। वे आपके सवाल को देखते हैं, लाइब्रेरी को स्कैन करते हैं, और कहते हैं, "दस्तावेज़ A एक सटीक मैच है! दस्तावेज़ B अप्रासंगिक है क्योंकि इसमें समान शब्दों का उपयोग नहीं किया गया है।"

AI आत्मविश्वास के साथ आपको बताता है: "हाँ, संदिग्ध अभी भी फरार है।"
लेकिन AI गलत है। इसने सबसे महत्वपूर्ण दस्तावेज़ को मिस कर दिया क्योंकि यह उन शब्दों को खोजने में व्यस्त था जो मेल खाते थे, बजाय इसके कि यह समझ पाता कि दस्तावेज़ B आधिकारिक तौर पर दस्तावेज़ A को रद्द (cancel) करता है।

यह शोध पत्र इस समस्या को कंट्रोलिंग अथॉरिटी रिट्रीवल (CAR) कहता है। यह कानून (नए अदालती फैसले पुराने फैसलों को रद्द कर देते हैं), चिकित्सा (दवाओं की वापसी/रिकॉल स्वीकृतियों को रद्द कर देते हैं), और सॉफ्टवेयर सुरक्षा (पैच भेद्यता रिपोर्टों को रद्द कर देते हैं) में होता है।

समाधान: "दो-चरणीय जासूस" (The Two-Step Detective)

लेखकों का प्रस्ताव है कि इन प्रकार के सवालों के लिए मानक खोज (standard search) दोषपूर्ण है। आप केवल यह नहीं पूछ सकते कि, "सबसे समान दस्तावेज़ कौन सा है?" आपको एक अलग रणनीति की आवश्यकता है।

वे एक दो-चरणीय पाइपलाइन (एक दो-चरणीय जासूसी प्रक्रिया के रूप में सोचें) का प्रस्ताव देते हैं:

चरण 1: "पुरानी कहानी" खोजें (The Anchor)

सबसे पहले, सिस्टम मानक खोज का उपयोग करके उस दस्तावेज़ को ढूंढता है जो आपके प्रश्न से सबसे अच्छी तरह मेल खाता है।

उदाहरण: आप पुराना पुलिस रिपोर्ट ढूंढते हैं जिसमें लिखा है कि संदिग्ध फरार है।
क्यों? भले ही यह रिपोर्ट अब "गलत" है, लेकिन यही एकमात्र चीज़ है जो आपके सवाल से जुड़ती है। यह एंकर (Anchor) है।

चरण 2: "कागजी कार्रवाई का सुराग" (The Authority) का पीछा करें

एक बार जब सिस्टम उस पुरानी रिपोर्ट को ढूंढ लेता है, तो वह कीवर्ड्स खोजना बंद कर देता है। इसके बजाय, वह उस रिपोर्ट के मेटाडेटा (ID नंबर, तारीखें और नाम) को देखता है।

उदाहरण: सिस्टम देखता है कि रिपोर्ट में "केस #123" लिखा है। फिर वह एक विशेष इंडेक्स में जाता है, "केस #123" को खोजता है, और पूछता है: "क्या इस विशिष्ट केस के लिए कोई नया अपडेट आया है?"
परिणाम: उसे गिरफ्तारी के बारे में नई प्रेस विज्ञप्ति मिल जाती है, भले ही प्रेस विज्ञप्ति में बिल्कुल अलग शब्दों का उपयोग किया गया हो।

जादू: केवल "शब्दों" के बजाय "कागजी कार्रवाई के सुराग" (एंटिटी ID) का पीछा करके, सिस्टम उस दस्तावेज़ को ढूंढ लेता है जो उत्तर को नियंत्रित करता है।

यह क्यों मायने रखता है: "आत्मविश्वास के साथ गलत होना" का खतरा

इस शोध पत्र ने एक डरावना प्रयोग किया। उन्होंने एक AI (GPT-4o-mini) से सुरक्षा संबंधी सवालों के जवाब देने के लिए दो अलग-अलग तरीकों का उपयोग करने को कहा:

मानक खोज (The "Keyword Matchmaker"):
- AI ने पुराना "भेद्यता" (vulnerability) रिपोर्ट तो ढूंढ लिया लेकिन "पैच" नोट को मिस कर गया।
- परिणाम: AI ने उपयोगकर्ताओं को आत्मविश्वास से बताया, "यह सॉफ्टवेयर अभी भी असुरक्षित है और इसे ठीक करने की आवश्यकता है," भले ही फिक्स महीनों पहले उपलब्ध हो चुका था।
- विफलता दर: 39% मामलों में, इसने एक ऐसा जवाब दिया जो आत्मविश्वास से गलत था और जिससे घबराहट या काम की बर्बादी हो सकती थी।
दो-चरणीय जासूस (The New Method):
- AI ने पुरानी रिपोर्ट ढूंढी, सुराग का पीछा किया, पैच नोट ढूंढा, और अपने उत्तर को अपडेट किया।
- परिणाम: इसने सही ढंग से कहा, "यह संस्करण 4.17 में ठीक कर दिया गया है।"
- विफलता दर: गिरकर केवल 16% रह गई।

सबक: कानून, चिकित्सा और सुरक्षा जैसे क्षेत्रों में, केवल "सिमेंटिक रूप से समान" (semantically similar) होना पर्याप्त नहीं है। आपको कानूनी या तथ्यात्मक रूप से अद्यतित (current) होना चाहिए। यदि आप उस दस्तावेज़ को मिस कर देते हैं जो पुराने वाले को अमान्य (void) करता है, तो आपका उत्तर खतरनाक है, चाहे वह कितना भी अच्छी तरह से लिखा गया हो।

मुख्य निष्कर्ष (Plain English में)

"शब्दावली का अंतर" (The Vocabulary Gap): समस्या को ठीक करने वाला दस्तावेज़ अक्सर समस्या का वर्णन करने वाले दस्तावेज़ जैसा बिल्कुल नहीं लगता। एक "रिकॉल नोटिस" (Recall Notice) "ड्रग अप्रूवल" (Drug Approval) जैसा बिल्कुल नहीं लगता। मानक AI इस अंतर में खो जाता है।
आकार मदद नहीं करता: इस शोध पत्र ने विशाल AI मॉडल (अरबों पैरामीटर्स वाले) और छोटे मॉडल्स का परीक्षण किया। कोई भी अकेले इस समस्या को हल नहीं कर सका। AI को "स्मार्टर" या "बड़ा" बनाने से भी मदद नहीं मिली क्योंकि समस्या बुद्धिमत्ता के बारे में नहीं है; यह खोज की संरचना (structure) के बारे में है।
"दो-चरणीय" समाधान: आपको स्मार्ट दिमाग की नहीं; एक बेहतर प्रक्रिया की आवश्यकता है।
1. उस चीज़ को ढूंढें जो आपके प्रश्न से मेल खाती है (भले ही वह पुराना हो)।
2. उस चीज़ के ID का उपयोग करके उस विशिष्ट चीज़ का नवीनतम (latest) संस्करण खोजें।
"फ्रंटियर" (The Frontier): दस्तावेज़ों के एक फैमिली ट्री के बारे में सोचें। "फ्रंटियर" शाखा का सिरा है—सबसे हालिया, सक्रिय दस्तावेज़। इस शोध का लक्ष्य हमेशा शाखा के सिरे को ढूंढना है, न कि जड़ को।

सारांश रूपक (Summary Metaphor)

कल्पना कीजिए कि आप एक रेस्टोरेंट में वर्तमान मेनू की तलाश कर रहे हैं।

मानक खोज (Standard Search) 1995 का मेनू ढूंढ लेती है क्योंकि उसमें "बर्गर" शब्द है। वह नए मेनू को अनदेखा कर देती है क्योंकि उसमें केवल "गॉरमेट स्लाइसर्स" (Gourmet Sliders) सूचीबद्ध हैं।
नई विधि (The New Method) 1995 का मेनू ढूंढती है, रेस्टोरेंट का नाम देखती है, और फिर उस विशिष्ट स्थान के लिए वर्तमान मेनू डाउनलोड करने के लिए रेस्टोरेंट की आधिकारिक वेबसाइट पर जाती है।

यह शोध पत्र साबित करता है कि जहाँ भी समय के साथ नियम बदलते हैं (कानून, दवाएं, सॉफ्टवेयर), आपको दूसरी विधि का उपयोग करना ही होगा। अन्यथा, आप उन ग्राहकों को 1995 के बर्गर परोस रहे हैं जिन्होंने 2024 के स्लाइसर्स ऑर्डर किए थे।

यहाँ शोध पत्र "Controlling Authority Retrieval: A Missing Retrieval Objective for Authority-Governed Knowledge" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा: कंट्रोलिंग अथॉरिटी रिट्रीवल (CAR)

यह शोध पत्र उन डोमेन में मानक रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) प्रणालियों की एक महत्वपूर्ण विफलता की पहचान करता है जहाँ ज्ञान औपचारिक प्राधिकरण (formal authority) और सामयिक प्रतिस्थापन (temporal supersession) द्वारा शासित होता है (जैसे, कानून, दवा विनियमन, सॉफ्टवेयर सुरक्षा)।

मुख्य मुद्दा: इन डोमेन में, एक बाद का दस्तावेज़ औपचारिक रूप से एक पहले के दस्तावेज़ को शून्य कर सकता है (जैसे, एक पैच नोट एक भेद्यता प्रकटीकरण को शून्य कर देता है, या एक अदालती निर्णय एक पूर्ववर्ती मिसाल को पलट देता है)। हालाँकि, नियंत्रित करने वाला दस्तावेज़ उपयोगकर्ता के प्रश्न (query) से सिमेंटिक दूरी (semantic distance) रखता है।
- उदाहरण: एक उपयोगकर्ता पूछता है, "lodash प्रोटोटाइप पॉल्यूशन भेद्यता अभी भी अनपैच्ड (unpatched) है?" सबसे सिमेंटिक रूप से प्रासंगिक दस्तावेज़ मूल CVE प्रकटीकरण है (उच्च प्रासंगिकता, "unpatched" का उल्लेख करता है)। सही उत्तर के लिए पैच नोट की आवश्यकता होती है (कम प्रासंगिकता, "version 4.17.12 में फिक्स किया गया" का उल्लेख करता है)।
औपचारिक परिभाषा: लेखक कंट्रोलिंग अथॉरिटी रिट्रीवल (CAR) को सिमेंटिक एंकर सेट के अथॉरिटी क्लोजर के एक्टिव फ्रंटियर (active frontier) को पुनः प्राप्त करने के कार्य के रूप में परिभाषित करते हैं।
- मान लीजिए $A_k(q)$ शीर्ष- $k$ सिमेंटिक रूप से प्रासंगिक दस्तावेज़ (एंकर) हैं।
- $cl(A)$ अथॉरिटी क्लोजर (authority closure) है (वे सभी दस्तावेज़ जो $A$ द्वारा प्रतिस्थापित किए गए हैं या जिन्हें प्रतिस्थापित करता है)।
- $front(S)$ एक्टिव फ्रंटियर (active frontier) है (सेट $S$ में अधिकतम तत्व जो $S$ के किसी अन्य दस्तावेज़ द्वारा प्रतिस्थापित नहीं किए गए हैं)।
- लक्ष्य: $C^*_k(q) = front(cl(A_k(q)))$ ।
अंतराल (The Gap): मानक रिट्रीवल सिमेंटिक समानता ( $\arg \max s(q, d)$ ) के लिए अनुकूलित होता है, जबकि CAR के लिए अथॉरिटी किनारों (authority edges) को पार करने और प्रभुत्व (domination) की जाँच करने की आवश्यकता होती है। ये गणितीय रूप से भिन्न समस्याएँ हैं।

2. कार्यप्रणाली और सैद्धांतिक ढांचा

यह शोध पत्र CAR को चरित्रित करने, सीमाबद्ध करने और हल करने के लिए एक कठोर सैद्धांतिक ढांचा स्थापित करता है।

A. प्रमुख मेट्रिक्स

TCA (टेम्पोरल कंप्लायंस एक्यूरेसी): एक नया मीट्रिक जो यह मापता है कि क्या रिट्रीव किया गया सेट $R$ $R$ सही सक्रिय उत्तर को शामिल करता है और क्या यह किसी भी प्रतिस्थापित (superseding) दस्तावेज़ों को अनदेखा नहीं करता है।
- $TCA = 1 $यदि: (1) एक्टिव फ्रंटियर शामिल है, और (2)$ R$ में कोई भी प्रतिस्थापित दस्तावेज़ ऐसा नहीं है जिसका सुपरसेडर (superseder) $R$ में न हो।
सिमेंटिक-अथॉरिटी डाइवर्जेंस ( $\Delta(q)$ ): सबसे अच्छे सिमेंटिक एंकर और सबसे अच्छे एक्टिव फ्रंटियर वाले दस्तावेज़ के बीच प्रासंगिकता स्कोर का अंतर। यदि $\Delta(q) > 0$ , तो मानक रिट्रीवल विफल हो जाता है।

B. सैद्धांतिक परिणाम (Theorems & Propositions)

Theorem 1 (Objective Mismatch): सिद्ध करता है कि TCA और Recall@k अलग-अलग (decoupled) हैं। एक सिस्टम Recall@k = 1 (एंकर प्राप्त करना) प्राप्त कर सकता है जबकि TCA = 0 हो सकता है यदि नियंत्रित करने वाला दस्तावेज़ सिमेंटिक रूप से दूर है। यह समझाता है कि क्यों अधिक शक्तिशाली डेंस मॉडल अक्सर CAR कार्यों पर बदतर प्रदर्शन करते हैं (वे गलत एंकर के साथ अधिक मजबूती से संरेखित होते हैं)।
Theorem 2 (Closure Necessity): सिद्ध करता है कि TCA = 1 प्राप्त करने वाले किसी भी सिस्टम को प्रोएक्टिव एंटिटी-स्कोप वाली खोज (proactive entity-scoped search) करनी होगी। यह केवल क्वेरी-दस्तावेज़ प्रासंगिकता पर निर्भर नहीं रह सकता; इसे क्वेरी के प्रारंभिक सिमेंटिक मिलान के स्वतंत्र रूप से एंटिटी स्कोप और टाइमस्टैम्प के आधार पर दस्तावेज़ों को रिट्रीव करना चाहिए।
Theorem 3 (Decomposition): CAR समस्या तीन आवश्यक चरणों में विभाजित होती है:
- एंकर डिस्कवरी (Anchor Discovery): सिमेंटिक रूप से संरेखित (लेकिन संभावित रूप से प्रतिस्थापित) दस्तावेज़ को रिट्रीव करना।
- अथॉरिटी रेजोल्यूशन (Authority Resolution): एंटिटी-इंडेक्स्ड लुकअप के माध्यम से पूर्ण अथॉरिटी चेन तक विस्तार करना।
- एक्टिव-स्टेटस फिल्टरिंग (Active-Status Filtering): एक्टिव फ्रंटियर तक फ़िल्टर करना।
Theorem 4 (Correctness Characterization): किसी भी रिट्रीव किए गए सेट $R$ के लिए आवश्यक और पर्याप्त स्थितियाँ प्रदान करता है ताकि TCA = 1 प्राप्त हो सके: फ्रंटियर इंक्लूजन और नो-इग्नोरड-सुपरसेडर।
Proposition 2 (Scope Identifiability Upper Bound): किसी भी "स्कोप-इंडेक्स्ड" एल्गोरिदम (जो सीधे अथॉरिटी नियमों तक पहुँच नहीं रखता) के लिए एक कठिन वर्स्ट-केस सीलिंग स्थापित करता है।
- $TCA@k \leq \phi(q) \cdot R_{anchor}(q)$ ।
- जहाँ $\phi(q)$ स्कोप आइडेंटिफिएबिलिटी (scope identifiability) है (एंटिटी स्कोप साझा करने वाली अविभेद्य अथॉरिटी चेन्स की संख्या का व्युत्क्रम)। यदि कई चेन्स मौजूद हैं, तो एल्गोरिदम बिना नियम-आधारित विसंगति निवारण के उन्हें अलग नहीं कर सकता।
Proposition 1 (Error Factorization): $TCA = R_{anchor} \cdot \phi(q) \cdot R_{frontier}$ । यह विफलताओं को: एंकर को मिस करना, स्कोप अस्पष्टता, और फ्रंटियर रिकवरी त्रुटियों में विभाजित करता है।

C. प्रस्तावित समाधान: टू-स्टेज पाइपलाइन

लेखक एक टू-स्टेज आर्किटेक्चर का प्रस्ताव करते हैं जो डिकंपोजिशन थ्योरम को लागू करता है:

स्टेज 1 (एंकर डिस्कवरी): सिमेंटिक रूप से प्रासंगिक एंकर दस्तावेज़ खोजने के लिए मानक रिट्रीवल (जैसे, BM25 या Dense) का उपयोग करें।
स्टेज 2 (अथॉरिटी रेजोल्यूशन और फिल्टरिंग):
- एंकर से एंटिटी आइडेंटिफायर (जैसे, CVE ID, ड्रग नेम) निकालें।
- उस एंटिटी के स्कोप में सभी दस्तावेज़ों को रिट्रीव करने के लिए एंटिटी-इंडेक्स्ड लुकअप करें।
- एक्टिव फ्रंटियर निर्धारित करने और प्रतिस्थापित दस्तावेज़ों को फ़िल्टर करने के लिए डोमेन-विशिष्ट नियमों (एक रिट्रीव्ड-सेट सुपरसेशन ग्राफ - RSSG के माध्यम से) को लागू करें।

3. प्रयोगात्मक सत्यापन

लेखकों ने तीन स्वतंत्र वास्तविक दुनिया के कॉर्पोरा और सिंथेटिक बेंचमार्क पर अपने सिद्धांत को सत्यापित किया।

A. बेंचमार्क

सिक्योरिटी (GHSA): 159 वास्तविक CVE प्रकटीकरण बनाम पैच नोट जोड़े।
लीगल (SCOTUS): 122 सुप्रीम कोर्ट ओवररूलिंग जोड़े।
मेडिकल/रेगुलेटरी (FDA): 500 ड्रग अप्रूवल बनाम रिकॉल एनफोर्समेंट जोड़े।
सिंथेटिक: FinSuperQA (कंप्लायंस), CVEPATCHQA, LEGALPRECEDENTQA।

B. मुख्य परिणाम

डेंस रिट्रीवल की विफलता: मानक डेंस मॉडल (MiniLM, E5-large) और लेक्सिकल मॉडल (BM25) CAR कार्यों पर विनाशकारी रूप से विफल होते हैं जब $\Delta(q) > 0$ $Δ (q) > 0$ हो।
- FDA: डेंस TCA@5 = 0.064 (बनाम टू-स्टेज 0.774)।
- SCOTUS: डेंस TCA@5 = 0.172 (बनाम टू-स्टेज 0.926)।
- GHSA: डेंस TCA@5 = 0.270 (बनाम टू-स्टेज 0.975)।
स्केल मदद नहीं करता: मॉडल पैरामीटर्स (22M से 335M तक) बढ़ाने से TCA में सुधार नहीं हुआ; कुछ मामलों में (E5 फैमिली), इसने प्रदर्शन को और खराब कर दिया क्योंकि बड़े मॉडल गलत (प्रतिस्थापित) दस्तावेज़ के साथ बेहतर संरेखित होते हैं।
टू-स्टेज की सफलता: प्रस्तावित टू-स्टेज पाइपलाइन ने सभी डोमेन में TCA@5 > 0.77 प्राप्त किया, जो स्कोप अस्पष्टता द्वारा परिभाषित सैद्धांतिक सीलिंग के करीब है।
डाउनस्ट्रीम प्रभाव (LLM विश्वसनीयता): रिट्रीव किए गए दस्तावेज़ों को GPT-4o-mini को फीड करने पर:
- डेंस रिट्रीवल: उन 39% प्रश्नों के लिए "नॉट पैच्ड" (not patched) का आत्मविश्वास से दावा करने के कारण विफल हुआ जहाँ पैच मौजूद था।
- टू-स्टेज: कॉन्फिडेंट गलत दावों को घटाकर 16.4% कर दिया।

4. महत्व और योगदान

नया रिट्रीवल ऑब्जेक्टिव: यह शोध पत्र कंट्रोलिंग अथॉरिटी रिट्रीवल (CAR) को एक विशिष्ट वर्ग के रिट्रीवल समस्याओं के रूप में औपचारिक रूप देता है जहाँ सिमेंटिक प्रासंगिकता अपर्याप्त और भ्रामक हो सकती है।
सैद्धांतिक सीमाएँ: यह सिद्ध करता है कि संरचनात्मक परिवर्तनों के बिना केवल प्रासंगता-आधारित रिट्रीवल, CAR को हल करने में सक्षम नहीं है (थ्योरम 1 और 2) और स्कोप अस्पष्टता के आधार पर एक कठिन ऊपरी सीमा स्थापित करता है (प्रपोजिशन 2)।
आर्किटेक्चरल अंतर्दृष्टि: यह प्रदर्शित करता है कि एंटिटी-इंडेक्स्ड स्ट्रक्चर्ड रिट्रीवल ही सही समाधान है, न कि बड़े लैंग्वेज मॉडल या बेहतर एम्बेडिंग्स। "टू-स्टेज" दृष्टिकोण को रिकवरेबल स्कोप वाले डोमेन के लिए आवश्यक और पर्याप्त दिखाया गया है।
व्यावहारिक प्रभाव: यह कार्य विनियमित उद्योगों (कानून, चिकित्सा, सुरक्षा) के लिए RAG सिस्टम में एक महत्वपूर्ण सुरक्षा जोखिम को उजागर करता है, जहाँ प्रतिस्थापित जानकारी को रिट्रीव करना आत्मविश्वासपूर्ण लेकिन खतरनाक मतिभ्रम (hallucinations) की ओर ले जाता है।
ओपन सोर्स: लेखकों ने भविष्य के अनुसंधान को सुगम बनाने के लिए चार बेंचमार्क डेटासेट, डोमेन एडैप्टर और एक सिंगल-कमांड स्कोरर जारी किया है।

निष्कर्ष

यह शोध पत्र तर्क देता है कि अथॉरिटी-शासित डोमेन में, "सही" दस्तावेज़ वह होता है जो सबसे प्रासंगिक दस्तावेज़ को शून्य करता है। मानक RAG सिस्टम विफल होते हैं क्योंकि वे सिमेंटिक समानता के लिए अनुकूलित होते हैं, न कि सामयिक वैधता (temporal validity) के लिए। प्रस्तावित टू-स्टेज आर्किटेक्चर, जो सिमेंटिक एंकर रिट्रीवल को एंटिटी-स्कोप अथॉरिटी रेजोल्यूशन के साथ जोड़ता है, एकमात्र तरीका है जो उच्च टेम्पोरल कंप्लायंस एक्यूरेसी प्राप्त करने में सक्षम सिद्ध हुआ है, जो प्रभावी रूप से सिमेंटिक प्रासंगिकता और नियामक शुद्धता के बीच के अंतर को पाटता है।