From 9cd180b399158af801caff43a0820ee2e59e77c1 Mon Sep 17 00:00:00 2001
From: yuhui <173983476@qq.com>
Date: Tue, 11 Mar 2025 19:51:04 +0800
Subject: [PATCH] =?UTF-8?q?Update=202.=E5=A4=84=E7=90=86=E6=96=87=E6=9C=AC?=
 =?UTF-8?q?=E6=95=B0=E6=8D=AE.md?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 cn-Book/2.处理文本数据.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/cn-Book/2.处理文本数据.md b/cn-Book/2.处理文本数据.md
index abf92b9..099850d 100644
--- a/cn-Book/2.处理文本数据.md
+++ b/cn-Book/2.处理文本数据.md
@@ -62,7 +62,7 @@
 >
 > **个人思考：** 这里聊一下检索增强技术（RAG），目前已经广泛应用于特定领域的知识问答场景。尽管GPT在文本生成任务中表现强大，但它们依赖的是预训练的知识，这意味着它们的回答依赖于模型在预训练阶段学习到的信息。这种方式导致了几个问题：
 >
-> + **知识的有效性：** 模型的知识基于它的预训练数据，因此无法获取最新的信息。比如，GPT-3 的知识截止到 2021 年，无法回答最新的事件或发展。
+> + **知识的时效性：** 模型的知识基于它的预训练数据，因此无法获取最新的信息。比如，GPT-3 的知识截止到 2021 年，无法回答最新的事件或发展。
 > + **模型大小的限制：** 即使是大型模型，所能存储和运用的知识也是有限的。如果任务涉及特定领域（如医学、法律、科学研究），模型在预训练阶段可能没有涵盖足够的信息。
 > + **生成的准确性：** 生成模型可能会凭空编造信息（即“幻觉现象”），导致生成内容不准确或虚假。
 >