RAG微调Llama 3竟超越GPT-4！英伟达GaTech华人学者提出RankRAG框架

相信很多大家对RAG微调Llama 3竟超越GPT-4！英伟达GaTech华人学者提出RankRAG框架还不知道吧，今天菲菲就带你们一起去了解一下~.~！

【新智元导读】来自佐治亚理工学院和英伟达的两名华人学者带队提出了名为RankRAG的微调框架，简化了原本需要多个模型的复杂的RAG流水线，用微调的方法交给同一个LLM完成，结果同时实现了模型在RAG任务上的性能提升。

在需要大量事实知识的文本生成任务中，RAG成为了常用的LLM部署技巧。

但佐治亚理工学院和英伟达最近发表的一篇论文提出——RAG可以不止停留在用于推理的pipeline中，类似的思路完全可以移植到微调阶段，于是有了这个名为RankRAG的框架。

论文地址:https://arxiv.org/abs/2407.02485

他们的思路可以概括为:用微调拓展模型的能力，把原来RAG需要额外模型的检索、排名任务全丢回给LLM自己。

结果发现，不仅数据效率提高了，模型性能也有显著增强，相比今年5月刚提出的ChatQA-1.5系列有显著优势。

在9个通用基准和5个生物医学的知识密集型基准上，RankRAG用Llama38B/70B微调出的模型分别超过了同样基座上ChatQA-1.5的两个微调模型，Llama3-ChatQA-1.5-8B和Llama3-ChatQA-1.5-70B。

ChatQA-1.5项目地址:https://chatqa-project.github.io/

检索增强生成技术，简称为RAG（Retrieval-Augmented Generation），被广泛适用于LLM的定制化，尤其是知识密集型的NLP任务。可以帮助模型在不改变权重的情况下掌握「长尾知识」和最新信息，并适应到特定的领域。

通常情况下，RAG的工作流程大致是:对于给定问题，由一个基于文本编码的稠密模型从外部数据库中检索到top-k个文本段，然后输入给LLM进行读取，以此为基础进行生成。

来源:AWS

这个pipeline看起来非常符合直觉，也已经被广泛使用，但作者在论文开篇指出了其中的固有局限，首先就是k值的选择。

如果k值较大（比如top-100），即使是支持长上下文的窗口的LLM也很难快速读取这么多文本块。随着k值的增大，性能会很快饱和。

除了效率原因，之前还有研究表明，k值在5或10这个量级时，生成结果的准确性更高。因为过多上下文会引入不相关内容，妨碍LLM生成准确答案，

《Retrieval meets Long Context Large Language Models》https://arxiv.org/abs/2310.03025

那把k值就定在这个区间不行吗?

如果给定一个较小的k，我们需要一种机制来保证检索结果的高召回率（recall）。

鉴于检索器的表达能力有限（通常是稀疏检索模型如BM25，或中等大小的编码模型如BERT-based），通常无法捕获所有相关信息，因此实际的应用过程还会加上一个交叉编码(cross-encoding)的排名模型。

排名模型从数据库中检索到top-N个候选 （N ≫ k），再经过一次排名得到最终top-k结果。

这种方案的缺陷在于，与通用的LLM本身相比，专家排名模型的零样本泛化能力相对有限，上游检索结果的质量很可能造成下游LLM生成任务的瓶颈。这在许多实证研究中都得到了验证。

基于上述考虑，作者认为可以只使用LLM同时完成上下文检索和内容生成任务，通过设计RAG的指令调优来实现，这种新颖的框架被命名为RankRAG。

OpenAI的GPT-4报告中就发现，检索、排名过程中发展出的「确定文本块与问题是否相关」的能力对答案的生成同样有用，这两者可以被视为「双重能力」。

RankRAG在训练过程中引入了一项带指令的问答任务，让模型能够识别出与问题相关的上下文或段落，便于在推理时对检索结果进行排名。

如果将一部分排名数据集成到指令微调中，还能大大增强LLM在RAG排名任务中的性能，甚至超过了单独用LLM和10×排名数据进行微调的结果。

RankRAG微调框架

在推理阶段，RankRAG的pipeline与上述的的「检索-排名-生成」流程几乎相同，首先检索出带有相关性分数的top-N结果，然后进行重新排名并保留top-k段落，将其与问题连接到一起进行生成。

主要的不同点在于模型训练过程，使用了两个阶段的指令微调（图2）直接增强LLM的相关能力，而不是在模型外部添加额外操作。

第一阶段首先进行监督微调（SFT），128k个样例来自多个数据集的混合，包括对话数据集SODA、Dolly、OpenAssistant，长格式QA数据集ELI5(需要详细答案)，LLM合成的指令，以及CoT数据集FLAN。

这个阶段的SFT主要是为了提高LLM的指令跟随能力，虽然与RAG关系不大，但可以为接下来的指令微调过程做好铺垫。

为了提升LLM的检索、排名性能，第二阶段的微调数据集由以下几个部分混合组成（表1）:

第一阶段的SFT数据:用于维持指令跟随能力

上下文丰富的QA数据:涵盖了DROP、NarrativeQA、Quoref、ROPES、NewsQA、TAT-QA等数据集，每条数据包含问题、黄金上下文（golden context）和答案

会话QA数据集:如Synthetic Conversation和HumanAnnotatedConvQA，同时包括对话内容以及一份背景文档

检索增强的QA数据:不仅包括SQuAD和WebQuestions中的问题和答案，还用BM25将黄金上下文和检索到的top结果组合起来，确保每条数据都有5个上下文，其中有些上下文可能不包括问题答案，甚至是hard-negative，这是为了重点提高LLM对不相关上下文的鲁棒性

上下文排名数据:使用流行的MS Marco语义相关性数据集，将其中的黄金样本视为相关的查询-段落对 （

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！