创新点SPECULATIVE RAG 将 RAG 任务分解为两个独立的阶段起草drafting和验证verification。它利用一个较小的专家语言模型LM作为 RAG 起草者drafter专门负责根据检索到的文档生成多个答案草稿然后由一个较大的通用 LM 作为 RAG 验证者verifier对这些草稿进行评估和验证最终选择最准确的答案。与一些需要对通用 LM 进行额外指令微调的 RAG 方法不同SPECULATIVE RAG 的 RAG 验证者无需进行专门的指令微调。它直接利用通用 LM 的语言建模能力来评估草稿大大简化了系统的实现过程降低了训练成本和复杂度。方法本文提出了一种名为 SPECULATIVE RAGSpeculative Retrieval-Augmented Generation的研究方法旨在通过一种高效的框架设计来提升检索增强型生成RAG系统的性能。该方法的核心在于将 RAG 任务分解为两个阶段起草drafting 和 验证verification。在起草阶段SPECULATIVE RAG 使用一个较小的专家语言模型LM称为 RAG 起草者drafter负责根据检索到的文档生成多个答案草稿。为了充分利用检索结果中的多样化信息起草者采用了一种 多视角采样策略。在验证阶段SPECULATIVE RAG 利用一个较大的通用 LM称为 RAG 验证者verifier对起草者生成的多个草稿进行评估和验证。验证者通过计算每个草稿的 生成概率、自一致性得分 和 自我反思得分 来综合评估草稿的质量。不同 RAG 方法的示意图(a) Standard RAG标准 RAG 方法将所有检索到的文档直接整合到提示prompt中传递给通用语言模型LM这种方法在处理长文档时效率较低。(b) Self-Reflective RAG自反思 RAG 方法通过在通用 LM 中生成特定的标记来反思检索到的文档和生成的答案需要额外的指令微调。© Corrective RAG校正 RAG 方法使用一个外部的自然语言推理NLI模型来评估检索到的文档的相关性但缺乏高级推理能力。(d) Speculative RAG本文提出的方法利用一个较小的专家 LMRAG 起草者并行生成多个答案草稿每个草稿基于不同的文档子集。然后较大的通用 LMRAG 验证者对这些草稿进行验证选择最佳答案。这种方法通过减少每个草稿的输入标记数量提高了效率并减少了潜在的长文档位置偏差问题。标准 RAG 和 Speculative RAG 的延迟分析本图展示了标准 RAG 和 Speculative RAG 在 TriviaQA、MuSiQue、PubHealth 和 ARC-Challenge 四个数据集上的平均处理时间。标准 RAG 采用不同大小的张量并行以适应 GPU 内存但并行化开销未显著提升效率。而 Speculative RAG 通过并行生成多个草稿并利用较小的 RAG 起草者和较大的 RAG 验证者进行验证显著降低了处理时间如在 PubHealth 数据集上延迟减少了 51.25%。图中红色标注部分表示 Speculative RAG 相比标准 RAG 的延迟减少比例。不同草稿数量和文档子集大小下的 Speculative RAG 性能分析(a) 不同草稿数量的影响展示了在 TriviaQA 和 PubHealth 数据集上随着草稿数量的增加5、10、15、20 个草稿Speculative RAG 的准确率如何变化。结果表明增加草稿数量可以进一步提升性能因为更多的草稿能够覆盖更多文档的视角。(b) 不同文档子集大小的影响展示了在 TriviaQA 和 PubHealth 数据集上改变每个草稿的文档子集大小1、2、4、6 个文档对性能的影响。结果表明增加文档子集大小并不总是能提升性能Speculative RAG 即使在每个草稿中只使用少量文档时也能取得很好的效果。实验本表展示了在四个公共检索增强生成基准数据集TriviaQA、MuSiQue、PubHealth 和 ARC-Challenge上不同 RAG 方法的性能对比。这些数据集涵盖了开放域问答和封闭域问答任务用于评估模型在生成准确答案方面的能力。表中列出了多种 RAG 方法包括标准 RAG 方法如基于不同预训练语言模型的实现、自反思 RAGSelf-Reflective RAG、校正 RAGCorrective RAG以及本文提出的 Speculative RAG。每种方法的性能通过准确率accuracy来衡量反映了模型生成的答案与真实答案的匹配程度。从表中可以看出Speculative RAG 在所有四个数据集上均取得了最佳性能。总体而言本表通过对比不同 RAG 方法在多个数据集上的准确率清晰地展示了 Speculative RAG 方法在检索增强生成任务中的优越性特别是在处理复杂的知识密集型问答时其通过高效的起草和验证机制显著提高了生成答案的质量和效率。论文题目SPECULATIVE RAG: ENHANCING RETRIEVAL AUGMENTED GENERATION THROUGH DRAFTING论文地址https://arxiv.org/pdf/2407.08223最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】