將 Nemotron 針對希臘語訓練：語料挖掘、檢索適配與領域基礎生成
為何重要
透過釋出 HERA 基準與適配模型，本研究填補了現代希臘語在檢索增強生成（RAG）領域的評測空缺。它證明瞭即使是針對少數語言的垂直領域，透過特定的索取與微調策略，也能大幅超越通用多語言底盤，顯示 RAG 系統在非主流語言仍有高投資報酬率的最佳化空間。
現代希臘語在 NVIDIA Nemotron 檢索模型與多語言基準中長期缺席，限制了法律與醫療等專業 RAG 應用的效能。本研究提供了從語料挖掘到模型微調的完整 Nemotron 堆疊適配方案，並推出新基準 HERA。
- 對 Nemotron 1B embedding 引數在 65,773 個希臘語檢索對上進行微調後，nDCG@10 指標從 0.362 顯著提升至 0.835。
- 對 Nemotron 30B-A3B mixture-of-experts 讀者進行 LoRA 微調，可將判斷答案正確率從 29.4% 提升至 66.9%。
- 研究指出，針對專業希臘語文檢的 BM25 基線表現優於現成模型，且經過調整的交叉編碼器重排序器在各專業領域帶來一致改進。