Skip to content
La generación aumentada por recuperación, descrita en un artículo del 22 de mayo de 2020 por Patrick Lewis y 11 coautores, deja que un chatbot busque pasajes en un índice de 21 millones antes de responder
IA y tecnología

La generación aumentada por recuperación, descrita en un artículo del 22 de mayo de 2020 por Patrick Lewis y 11 coautores, deja que un chatbot busque pasajes en un índice de 21 millones antes de responder

Ilustración de tuput

Español

La generación aumentada por recuperación, o RAG, hace que un modelo de lenguaje busque pasajes en una colección de documentos y escriba su respuesta a partir de ellos. El artículo de 2020 que le dio nombre fijó el estado del arte en tres tareas de preguntas de dominio abierto, y sus autores mostraron que las respuestas del modelo cambian al sustituir los documentos, sin volver a entrenarlo.

· · 8 min de lectura

Un modelo de lenguaje guarda lo que aprendió en el entrenamiento dentro de sus propios números, y actualizar esos números obliga a entrenarlo de nuevo. En un artículo enviado a arXiv el 22 de mayo de 2020 y aceptado en NeurIPS 2020, Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni y ocho coautores describieron una disposición distinta. Su modelo, llamado generación aumentada por recuperación o RAG, primero busca en una colección de documentos y luego escribe su respuesta con los mejores pasajes delante. Fijó el estado del arte en tres tareas de respuesta a preguntas de dominio abierto, y permitió a los autores cambiar lo que el modelo sabía cambiando la colección.

Los cuatro pasos, en palabras sencillas

La canalización tiene la misma forma en el artículo de 2020 y en los sistemas construidos desde entonces. La entrada de ingeniería de Anthropic de 2024 enumera los pasos de preparación: cortar los documentos en fragmentos de texto, por lo general de no más de unos cientos de tokens (un token es un trozo corto de una palabra); usar un modelo de incrustaciones para convertir cada fragmento en un vector, una lista de números que codifica significado; y guardar los vectores en una base de datos en la que se pueda buscar por similitud.

En el momento de la pregunta, el sistema convierte la pregunta en un vector del mismo modo, recupera los fragmentos cuyos vectores están más cerca de él y los añade a la instrucción que se envía al generador de texto. Gao y nueve coautores, en un estudio del campo de 2023, llaman a esta versión de tres etapas «RAG ingenuo»: indexación, recuperación, generación.

Las cifras del original son concretas. Lewis y sus colegas tomaron el volcado de la Wikipedia en inglés de diciembre de 2018 y dividieron cada artículo en fragmentos disjuntos de 100 palabras, lo que dio 21 millones de documentos. Buscaron en el índice con un método aproximado rápido, recuperaron 5 o 10 pasajes por pregunta durante el entrenamiento y los pasaron junto con la pregunta a BART-large, un generador de texto de 400 millones de parámetros.

El recuperador que llegó primero

La mitad de la búsqueda vino de un artículo enviado el 10 de abril de 2020, seis semanas antes que el de Lewis. Vladimir Karpukhin y siete coautores, entre ellos Lewis, construyeron la recuperación densa de pasajes, que empareja preguntas con pasajes por su significado y no por las palabras que comparten. Su artículo informa de que superó a un sistema BM25 sólido, el método de coincidencia de palabras de larga data, por entre 9 y 19 puntos de precisión absoluta en los 20 primeros pasajes. En el conjunto de datos Natural Questions las cifras fueron 78,4% frente a 59,1%.

La entrada del blog de Meta AI del 28 de septiembre de 2020, escrita por Sebastian Riedel, Douwe Kiela, Patrick Lewis y Aleksandra Piktus, describe RAG como el recuperador denso de pasajes de Facebook AI unido a BART. Un enfoque anterior, REALM, de Kelvin Guu y cuatro coautores el 10 de febrero de 2020, entrenaba un recuperador durante el preentrenamiento del modelo de lenguaje. El artículo de Lewis dice que RAG alcanza buenos resultados sin ese costoso preentrenamiento especial, y que no hace falta un reordenador aparte para lograr un rendimiento de vanguardia.

La prueba del intercambio

La entrada de Meta resume la ventaja práctica en una frase: con RAG, «controlamos lo que sabe simplemente cambiando los documentos». El artículo ofrece el experimento que hay detrás, al que llama intercambio en caliente del índice.

Los autores construyeron un segundo índice a partir de un volcado de Wikipedia de diciembre de 2016 y elaboraron una lista de 82 líderes mundiales que habían cambiado entre las dos fechas. Hicieron al modelo la pregunta «¿Quién es el presidente de Perú?» y otras parecidas con cada índice. Respondió correctamente el 70% con el índice de 2016 para los líderes de 2016 y el 68% con el índice de 2018 para los líderes de 2018. Con el índice del año equivocado, la precisión cayó al 12% y al 4%. La lectura del artículo es que el conocimiento del mundo del modelo puede actualizarse sustituyendo su memoria no paramétrica, su término para el almacén de documentos.

El mismo artículo señala que la memoria es texto en bruto, de modo que las personas pueden leerla y escribirla. En una comparación con evaluadores humanos sobre la redacción de preguntas al estilo de Jeopardy, los jueces consideraron que RAG era más veraz que la línea base BART en el 42,7% de 452 pares de resultados, y que BART era más veraz en el 7,1%.

La entrada de Meta dice que el modelo se publicó como parte de la biblioteca Transformers de Hugging Face. La página de documentación de Hugging Face fecha la contribución del modelo a esa biblioteca el 16 de noviembre de 2020 y describe la idea en los mismos términos: recuperar pasajes relevantes y luego condicionar la respuesta a ellos, de modo que el conocimiento se actualiza cambiando el índice.

Dónde los fragmentos pierden su contexto

El punto débil es el corte. La entrada de Anthropic da un ejemplo: un fragmento que dice «Los ingresos de la empresa crecieron un 3% respecto al trimestre anterior» no dice de qué empresa ni de qué trimestre se trata, así que una búsqueda de los resultados de una firma concreta puede pasarlo por alto. La solución de Anthropic, Contextual Retrieval, hace que un modelo escriba una nota breve para cada fragmento, normalmente de 50 a 100 tokens, que indica de qué parte del documento procede, y coloca esa nota delante del fragmento antes de indexarlo.

Anthropic presenta sus resultados como la proporción de pasajes relevantes que no aparecieron entre los 20 primeros recuperados, promediada sobre bases de código, ficción, artículos de arXiv y artículos científicos:

  • Incrustaciones corrientes: falló el 5,7%.
  • Con incrustaciones contextuales: 3,7%.
  • Con incrustaciones contextuales y BM25 contextual: 2,9%.
  • Con un paso de reordenación añadido: 1,9%.

Las cifras son pruebas de Anthropic sobre sus propios conjuntos de datos, hechas con las incrustaciones Text 004 de Gemini y un reordenador de Cohere, y la entrada no describe una réplica independiente. La misma entrada añade un límite a todo el enfoque: si una base de conocimiento es menor de unos 200 000 tokens, unas 500 páginas, puede ir sin más en la instrucción, sin ninguna recuperación.

Lo que la recuperación no elimina

La recuperación reduce la frecuencia de respuestas inventadas y no la lleva a cero. Shuster y cuatro coautores informaron en 2021 de que la recuperación dentro de un chatbot reducía de forma sustancial la alucinación, según la valoración de evaluadores humanos. El estudio de Gao enumera el fallo que persiste: el modelo aún puede escribir contenido que el texto recuperado no respalda, y el propio paso de recuperación puede elegir fragmentos mal alineados.

La prueba más clara de una afirmación comercial está en el derecho. Magesh y cinco coautores evaluaron herramientas comerciales de investigación jurídica que usan RAG y hallaron que cada una alucinaba entre el 17% y el 33% de las veces, menos que GPT-4 como chatbot de uso general y muy por encima de cero, frente a las afirmaciones de los proveedores sobre citas jurídicas «sin alucinaciones». El explicativo de tuput sobre la alucinación de la IA trata ese estudio y las órdenes judiciales que siguieron, y el que explica cómo se entrena un modelo de lenguaje grande aclara el conocimiento almacenado en los números que RAG complementa.

El propio resumen de Lewis menciona la procedencia, la capacidad de mostrar de dónde viene una respuesta, como un problema de investigación abierto. El estudio de 2023 es más optimista: dice que la generación basada en recuperación puede localizar rápidamente las referencias originales para que los usuarios verifiquen una respuesta. Que un producto concreto muestre esas referencias depende de cómo se construyó.

Un ejemplo indio, con límites sobre lo que se sabe

El Ministerio de Agricultura y Bienestar de los Agricultores de la India puso en marcha la fase 1 de Bharat-VISTAAR el 17 de febrero de 2026. Su comunicado del 16 de febrero dice que la plataforma lleva información a los agricultores conectando fuentes gubernamentales y científicas, con el tiempo del Departamento Meteorológico de la India, los precios de los mandis de AgMarkNet, consejos sobre plagas y enfermedades del Sistema Nacional de Vigilancia de Plagas, datos de AgriStack y 10 programas centrales. Un agricultor puede llamar al 155261 en hindi o en inglés, y el comunicado describe la plataforma como «basada en información verificada y segura».

Ni ese comunicado ni la respuesta del Ministerio en la Rajya Sabha del 13 de marzo de 2026 describen el software que hay debajo ni dicen que el sistema use generación aumentada por recuperación, por lo que este artículo no afirma que lo haga. Lo que describen las páginas es el diseño que RAG existe para apoyar: respuestas pensadas para venir de registros oficiales con nombre y no de la memoria de un modelo. Otro artículo de tuput sitúa Bharat-VISTAAR junto a otros despliegues agrícolas documentados.

La respuesta del 13 de marzo añade que las prácticas de cultivo del Consejo Indio de Investigación Agrícola forman parte de la plataforma, y que se prevén cuatro idiomas más en los tres meses siguientes al lanzamiento y cinco más en los seis.

Share
Copied!

Fuentes y lecturas adicionales

  1. Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv:2005.11401, submitted 22 May 2020)
  2. Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, full paper (PDF)
  3. NeurIPS 2020 Proceedings: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
  4. Meta AI blog: Retrieval Augmented Generation, streamlining the creation of intelligent natural language processing models (28 September 2020)
  5. Karpukhin et al.: Dense Passage Retrieval for Open-Domain Question Answering (arXiv:2004.04906)
  6. Karpukhin et al.: Dense Passage Retrieval for Open-Domain Question Answering, full paper (PDF)
  7. Guu et al.: REALM, Retrieval-Augmented Language Model Pre-Training (arXiv:2002.08909, 10 February 2020)
  8. Hugging Face Transformers documentation: RAG
  9. Anthropic: Introducing Contextual Retrieval (19 September 2024)
  10. Gao et al.: Retrieval-Augmented Generation for Large Language Models, A Survey (arXiv:2312.10997)
  11. Gao et al.: Retrieval-Augmented Generation for Large Language Models, A Survey, full paper (PDF)
  12. Magesh et al.: Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools (arXiv:2405.20362)
  13. Shuster et al.: Retrieval Augmentation Reduces Hallucination in Conversation (arXiv:2104.07567)
  14. PIB, Ministry of Agriculture and Farmers Welfare: Bharat-VISTAAR to be launched on 17 February (16 February 2026)
  15. PIB, Ministry of Agriculture and Farmers Welfare: Rollout of BHARAT-VISTAAR Platform, Rajya Sabha reply (13 March 2026)

Investigado y escrito con ayuda de herramientas de IA, y editado para verificar su exactitud. Se ofrece solo como información general y para el debate, no como asesoramiento profesional. Consulta nuestros criterios editoriales y nuestro aviso legal. ¿Has visto un error? Dínoslo.

#retrieval-augmented generation#rag#large language models#dense passage retrieval#contextual retrieval#ai hallucination#bharat-vistaar#embeddings

¿Te ha gustado? Recibe el siguiente.

Una buena lectura cada vez, directa a tu correo. Sin spam, cancela cuando quieras.

Más en IA y tecnología
Dos abogados de Nueva York y su despacho pagaron 5000 dólares en 2023 por seis casos judiciales que inventó ChatGPT, y en octubre de 2026 un registro público listaba 2202 resoluciones judiciales con alucinaciones de IA
Órdenes de Nueva York, Alabama y el Tribunal Supremo de la India, junto a los artículos de investigación sobre por qué los chatbots inventan datos. Muestran cómo una cita inventada llega a un juez, qué ha reducido la tasa de error y cómo han elegido responder los tribunales.
Ocho autores de Google publicaron el artículo del Transformer el 12 de junio de 2017, y su modelo grande obtuvo 28,4 BLEU del inglés al alemán tras 3,5 días con ocho GPU
Un recorrido por el diseño que hay detrás de los chatbots de hoy, con las tablas del propio artículo y el ejemplo de Google de una palabra que tiene que mirar a un río. También cubre las partes del diseño de 2017 que los modelos posteriores conservaron, cambiaron o descartaron.
Bharat-VISTAAR, puesto en marcha en Jaipur el 17 de febrero de 2026, permite a un agricultor consultar a un asesor de IA por llamada telefónica al 155261 y se nutre de datos de ICAR, IMD, Agmarknet y AgriStack
Una llamada al 155261 llega a un asesor de IA alimentado con guías de prácticas de ICAR y datos meteorológicos y de mercados mayoristas. Los comunicados del lanzamiento, el plan de idiomas y las cifras de uso publicadas hasta ahora, con fechas y fuentes.
← todos los artículos