OCI Generative AIサービスにおいて、VanillaのファインチューニングよりもT-Fewを使用する主な利点は、トレーニング時間の短縮とコスト削減です。T-Fewのファインチューニングは、モデルのパラメータの一部のみを更新することで効率性を高めるように設計されており、ファインチューニングに必要な計算リソースと時間を大幅に削減します。この効率性はコスト削減につながり、モデルのファインチューニングにおいてより経済的な選択肢となります。
参照
T-Few の微調整に関する技術文書
機械学習における微調整手法を比較した研究論文

OCI Generative AIサービスでは、事前学習済みの基礎モデルのカテゴリとして、要約モデル、生成モデル、埋め込みモデルが利用可能です。ただし、翻訳モデルはOCI Generative AIサービスで利用可能な事前学習済みの基礎モデルのカテゴリには含まれていません。このサービスは、テキスト生成、要約、埋め込みタスクをサポートするモデルの提供に重点を置いています。
参照
OCI Generative AI サービスドキュメント
OCI の事前学習済み基礎モデルのリストと説明

LangChainでは、文書検索において関連性と多様性のバランスをとるために、「mmr」（Maximal Marginal Relevance）検索タイプが用いられます。この手法は、クエリとの関連性だけでなく、互いに多様性のある文書を選択することを目的としています。これにより冗長性が回避され、取得された文書セットがトピックのより広い側面をカバーすることが保証されます。
最大周辺関連性（MMR）は、クエリとの関連性は高いものの、既に選択された文書との類似性が低い文書を反復的に選択することで機能します。これにより、既存の文書を繰り返すのではなく、新しい文書ごとに新たな情報と視点が追加されます。
参照
LangChain のリトリーバーと検索タイプに関するドキュメント
最大周辺関連性（MMR）に関する研究論文と記事