论文arxiv cs.CL · 2w ago重要
Domain Adaptation of Large Language Models for Polymer-Composite Additive Manufacturing Using Retrieval-Augmented Generation and Fine-Tuning
分类释义：学术论文 / 技术报告
TL;DR
基于LLaMA-3-8B的实验表明，RAG系统在该增材制造领域任务中显著优于微调：75.5%的RAG回答更准确、85.2%被专家优先选择，而简单微调反而降低性能（仅5.6%更准确）。
关键要点
- 01基于LLaMA-3-8B的实验表明。
- 02RAG系统在该增材制造领域任务中显著优于微调：75.5%的RAG回答更准确、85.2%被专家优先选择。
- 03而简单微调反而降低性能（仅5.6%更准确）。
为什么值得关注
对工程垂直领域的LLM部署有直接指导意义——盲目微调非结构化技术文本可能适得其反，RAG是更可靠的领域适配路径。
对你的工程实践意味着什么
LLM 实时生成MiniMax-M2.7缓存命中
| 角色 | 你应该做什么 |
|---|---|
| Tech Lead | 在做领域LLM选型时，优先评估RAG架构而非直接微调，尤其是涉及非结构化技术文档的场景 |
| 应用工程师 | 在构建领域知识问答或文档处理工具时，采用RAG+向量检索方案，替代直接fine-tuning路线 |
| 运维 / 平台 | 搭建RAG所需的基础设施：向量数据库、文档 chunking 策略、知识库更新流程，而非只准备GPU微调资源 |
| 产品 / 业务 | 向技术团队明确：垂直领域LLM落地的可靠路径是知识库+RAG，而非模型重训练，重新校准预期时间线 |
同类资讯
本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5