Le filThèmes : RechercheÉvaluations
CANOPY compresse les preuves récupérées par un RAG multimodal à granularité adaptative
1 sourcemis à jour il y a 1 jpertinence 3,0 sur5
L’essentiel
Sur cinq benchmarks de questions-réponses, CANOPY obtient une meilleure précision moyenne que les méthodes de référence évaluées. La compression réduit de 14,2 à 27,7 % les tokens de preuves lus, à précision comparable.
Propagation1 article, publié par HF Daily Papers le 6 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceHyojeong Yun, Jueun Kim, Wook-Shin Hanhuggingface.co
CANOPY: Adaptive-Granularity Evidence Compression for Multimodal RAG (site externe)
Multimodal RAG decides which items to retrieve, but not how much of each item the reader actually needs.
Sur les mêmes thèmes
Évaluations
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Évaluations
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Évaluations
Une étude montre que la date cachée dans les prompts système fait varier les évaluations de LLM
Évaluations
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5