RAFT (Tinh chỉnh tăng cường truy xuất) là một phương pháp cho phép LLM học thêm khả năng xác định cơ sở cho câu trả lời đúng trong số các tài liệu được RAG tìm kiếm và bỏ qua các tài liệu không liên quan.
RAFT là một phương pháp được nhóm nghiên cứu tại UC Berkeley đề xuất vào năm 2023 và được cho là nhằm mục đích bù đắp những điểm yếu của RAG thông thường, dựa vào độ chính xác của tìm kiếm và có xu hướng dẫn đến câu trả lời sai khi trộn lẫn các tài liệu không liên quan vào giai đoạn tinh chỉnh. Mô hình được cho là có thể phản hồi mạnh mẽ ngay cả khi chất lượng kết quả tìm kiếm dao động trong quá trình suy luận bằng cách cố tình trộn các tài liệu không liên quan với các tài liệu làm cơ sở cho câu trả lời đúng trong quá trình đào tạo và huấn luyện mô hình để đưa ra câu trả lời trong khi trích dẫn cơ sở cho câu trả lời đúng. Mặc dù nó được cho là có hiệu quả trong việc cải thiện độ chính xác của câu trả lời trong các lĩnh vực chuyên ngành như Câu hỏi thường gặp về y tế, pháp lý và nội bộ, nhưng chi phí xây dựng bộ dữ liệu đào tạo sẽ là rào cản lớn nhất đối với hoạt động thực tế kể từ năm 2026. Việc lựa chọn và chú thích các tài liệu không liên quan đến cơ sở cho câu trả lời đúng đòi hỏi phải có kiến thức chuyên môn và người ta nói rằng trong nhiều trường hợp, thời gian chuẩn bị và chi phí tính toán cao hơn nhiều lần so với RAG thông thường. Về cách chọn nó tại hiện trường, điều được coi là thực tế là trước tiên chỉ giới thiệu nó ở những khu vực mà sự thiếu chính xác đã trở nên rõ ràng với RAG thông thường hoặc điều chỉnh kịp thời, sau đó bắt đầu xác minh bằng cách học bổ sung nhẹ cho các mô hình quy mô nhỏ.