資料內容：
一、LLMs 已經具備了較強能力了，存在哪些不足點?
在 LLM 已經具備了較強能力的基礎上，仍然存在以下問題：
• 幻覺問題：LLM 文本生成的底層原理是基于概率的 token by token 的形式，因此會不可避免地
產生“一本正經的胡說八道”的情況；
• 時效性問題：LLM 的規(guī)模越大，大模型訓練的成本越高，周期也就越長。那么具有時效性的數
據也就無法參與訓練，所以也就無法直接回答時效性相關的問題，例如“幫我推薦幾部熱映的電
影？”；
• 數據安全問題：通用的 LLM 沒有企業(yè)內部數據和用戶數據，那么企業(yè)想要在保證安全的前提下
使用 LLM，最好的方式就是把數據全部放在本地，企業(yè)數據的業(yè)務計算全部在本地完成。而在
線的大模型僅僅完成一個歸納的功能；
二、什么是 RAG?
RAG（Retrieval Augmented Generation, 檢索增強生成），即 LLM 在回答問題或生成文本時，先
會從大量文檔中檢索出相關的信息，然后基于這些信息生成回答或文本，從而提高預測質量。
