解説

RAGはモデルのウェイトを更新せず推論時に外部データを参照するため、最新情報への対応やデータ更新が容易です。ファインチューニングは大量の訓練データでモデルのウェイトを更新し、ドメイン固有の振る舞いを定着させるのに適しています。 選択肢AはRAGが推論時に外部ストアから動的に情報を取得する仕組みを正しく説明しており、モデルのパラメータを変えずに知識を更新できるという点も正確です。 選択肢Bはファインチューニングはモデルのウェイトを静的に更新する学習プロセスであり、新データ追加時にリアルタイムで自動更新される仕組みはなく、再学習が必要です。 選択肢Cはファインチューニングが特定ドメインの語調・文体や専門的なタスクパターンを習得させるのに適しているという点を正しく説明しています。 選択肢DはRAGはモデルのウェイトを更新しない仕組みのため、ファインチューニングと比べてGPUコストが高くなるという記述は誤りです。