SimRAG：自我改进的检索增强生成方法，以适应大型语言模型于专业领域

本研究提出了一种名为SimRAG的自我训练方法，旨在提高通用检索增强生成系统在科学和医学等专业领域的适应性。该方法通过生成相关问题和筛选高质量样本，显著提升了大型语言模型在特定任务中的表现。实验结果表明，SimRAG在11个数据集上的表现优于基线模型1.2%至8.6%。