教会 Nemotron 希腊语：面向专业领域现代希腊语的语料挖掘、检索适配与生成 grounding

现代希腊语在 NVIDIA 的 Nemotron 检索模型和主流多语言检索基准中均处于缺失状态，尽管它对于法律、能源、金融和医疗应用中的检索增强生成（RAG）十分重要。我们提出了一套面向现代希腊语的 Nemotron 检索技术栈端到端适配方案，涵盖语料库挖掘、合成监督数据生成、检索模型训练、重排序器适配、阅读器微调，以及名为 HERA 的新基准。研究表明，在专业领域希腊语语料库上，无需参数训练的 BM25 基线优于多种开箱即用的多语言稠密检索模型。在使用 65,773 个希腊语检索样本对进行微调后，Nemotron 1B 嵌入模型的 nDCG@10 从 0.362 提升至 0.835，显著优于未经适配的原始模型。模型习得的语言能力可迁移至通用领域希腊语，但其相对于 BM25 的优势仍取决于具体领域。我们还对交叉编码器重排序器进行了适配，并证明其在多个专业领域均能带来稳定提升。最后，我们使用 LoRA 对 Nemotron 30B-A3B 混合专家阅读器进行基于依据生成的微调，使经评判的答案正确率从 29.4% 提升至 66.9%，同时显著改善了忠实度和引用质量。我们还推出了首个面向检索增强生成的大规模希腊语基准 HERA，并公开适配后的模型和基准，以支持未来对希腊语 RAG 系统的研究。