Buchumschlag

BGE Landmark Embedding: A Chunking-Free Embedding Method For Retrieval Augmented Long-Context Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Luo, Kun, Liu, Zheng, Xiao, Shitao, Liu, Kang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Large Language Models as Foundations for Next-Gen Dense Retrieval: A Comprehensive Empirical Assessment
von: Luo, Kun, et al.
Veröffentlicht: (2024)

Late Chunking: Contextual Chunk Embeddings Using Long-Context Embedding Models
von: Günther, Michael, et al.
Veröffentlicht: (2024)

Extensible Embedding: A Flexible Multipler For LLM's Context Length
von: Shao, Ninglu, et al.
Veröffentlicht: (2024)

Grounding Language Model with Chunking-Free In-Context Retrieval
von: Qian, Hongjin, et al.
Veröffentlicht: (2024)

Flexibly Scaling Large Language Models Contexts Through Extensible Tokenization
von: Shao, Ninglu, et al.
Veröffentlicht: (2024)

M3-Embedding: Multi-Linguality, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation
von: Chen, Jianlv, et al.
Veröffentlicht: (2024)

VISTA: Visualized Text Embedding For Universal Multi-Modal Retrieval
von: Zhou, Junjie, et al.
Veröffentlicht: (2024)

LongEmbed: Extending Embedding Models for Long Context Retrieval
von: Zhu, Dawei, et al.
Veröffentlicht: (2024)

Lighter And Better: Towards Flexible Context Adaptation For Retrieval Augmented Generation
von: Liu, Zheng, et al.
Veröffentlicht: (2024)

Llama2Vec: Unsupervised Adaptation of Large Language Models for Dense Retrieval
von: Liu, Zheng, et al.
Veröffentlicht: (2023)

FlashBack:Efficient Retrieval-Augmented Language Modeling for Long Context Inference
von: Liu, Runheng, et al.
Veröffentlicht: (2024)

Embedding-Informed Adaptive Retrieval-Augmented Generation of Large Language Models
von: Huang, Chengkai, et al.
Veröffentlicht: (2024)

Stronger Baselines for Retrieval-Augmented Generation with Long-Context Language Models
von: Laitenberger, Alex, et al.
Veröffentlicht: (2025)

Dynamic Chunking and Selection for Reading Comprehension of Ultra-Long Context in Large Language Models
von: Sheng, Boheng, et al.
Veröffentlicht: (2025)

Long Context Compression with Activation Beacon
von: Zhang, Peitian, et al.
Veröffentlicht: (2024)

SEAL: Speech Embedding Alignment Learning for Speech Large Language Model with Retrieval-Augmented Generation
von: Sun, Chunyu, et al.
Veröffentlicht: (2025)

Does RAG Really Perform Bad For Long-Context Processing?
von: Luo, Kun, et al.
Veröffentlicht: (2025)

C-Pack: Packed Resources For General Chinese Embeddings
von: Xiao, Shitao, et al.
Veröffentlicht: (2023)

Metacognitive Retrieval-Augmented Large Language Models
von: Zhou, Yujia, et al.
Veröffentlicht: (2024)

HiChunk: Evaluating and Enhancing Retrieval-Augmented Generation with Hierarchical Chunking
von: Lu, Wensheng, et al.
Veröffentlicht: (2025)

Reconstructing Context: Evaluating Advanced Chunking Strategies for Retrieval-Augmented Generation
von: Merola, Carlo, et al.
Veröffentlicht: (2025)

Leveraging Inter-Chunk Interactions for Enhanced Retrieval in Large Language Model-Based Question Answering
von: Guo, Tiezheng, et al.
Veröffentlicht: (2024)

Long Context is Not Long at All: A Prospector of Long-Dependency Data for Large Language Models
von: Chen, Longze, et al.
Veröffentlicht: (2024)

Context-level Language Modeling by Learning Predictive Context Embeddings
von: Dai, Beiya, et al.
Veröffentlicht: (2025)

Chunking Methods on Retrieval-Augmented Generation - Effectiveness Evaluation Against Computational Cost and Limitations
von: Śmigielski, Mateusz, et al.
Veröffentlicht: (2026)

ReasonEmbed: Enhanced Text Embeddings for Reasoning-Intensive Document Retrieval
von: Chen, Jianlyu, et al.
Veröffentlicht: (2025)

Financial Report Chunking for Effective Retrieval Augmented Generation
von: Yepes, Antonio Jimeno, et al.
Veröffentlicht: (2024)

Exploring Reasoning-Infused Text Embedding with Large Language Models for Zero-Shot Dense Retrieval
von: Liu, Yuxiang, et al.
Veröffentlicht: (2025)

Beyond Real: Imaginary Extension of Rotary Position Embeddings for Long-Context LLMs
von: Liu, Xiaoran, et al.
Veröffentlicht: (2025)

LMK > CLS: Landmark Pooling for Dense Embeddings
von: Doshi, Meet, et al.
Veröffentlicht: (2026)

Marathon: A Race Through the Realm of Long Context with Large Language Models
von: Zhang, Lei, et al.
Veröffentlicht: (2023)

AdaComp: Extractive Context Compression with Adaptive Predictor for Retrieval-Augmented Large Language Models
von: Zhang, Qianchi, et al.
Veröffentlicht: (2024)

Dwell in the Beginning: How Language Models Embed Long Documents for Dense Retrieval
von: Coelho, João, et al.
Veröffentlicht: (2024)

Mix-of-Granularity: Optimize the Chunking Granularity for Retrieval-Augmented Generation
von: Zhong, Zijie, et al.
Veröffentlicht: (2024)

A Systematic Investigation of Document Chunking Strategies and Embedding Sensitivity
von: Shaukat, Muhammad Arslan, et al.
Veröffentlicht: (2026)

Training-Free Long-Context Scaling of Large Language Models
von: An, Chenxin, et al.
Veröffentlicht: (2024)

Understanding Privacy Risks of Embeddings Induced by Large Language Models
von: Zhu, Zhihao, et al.
Veröffentlicht: (2024)

Retrieval meets Long Context Large Language Models
von: Xu, Peng, et al.
Veröffentlicht: (2023)

Scalable In-Context Learning on Tabular Data via Retrieval-Augmented Large Language Models
von: Wen, Xumeng, et al.
Veröffentlicht: (2025)

Compressing Lengthy Context With UltraGist
von: Zhang, Peitian, et al.
Veröffentlicht: (2024)