行业大模型落地的一些有趣调研总结_a survey on rag meets llms: towards retrieval-augm-CSDN博客

本文链接：https://blog.csdn.net/2301_81940605/article/details/139001172

最近最大的新闻，莫过于OpenAI**发布GPT4o，掀起了国内的一片狂欢，正如OpenAI官网博客所言，GPT-4o（“o”代表“omni”）是迈向更自然的人机交互的一步，其接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合输出，关于这块，可以进一步看看https://twitter.com/gdb/status/1790071008499544518，https://openai.com/index/hello-gpt-4o/，https://openai.com/index/gpt-4o-and-more-tools-to-chatgpt-free/

当然，狂欢之余，我们还是回到技术本身，谈谈2个问题。

一个是目前RAG都有哪些综述，四大综述？一个是关于行业大模型的一些有趣总结，关于一个技术报告，会是在产研上的一个总结性结论。

供大家一起参考。

问题1:目前RAG都有哪些综述，四大综述？

实际上，RAG当前的一些总结新性的论文越来越多，在同质化的同时，也有一些差一点。一路看过来，昨天已经达到了4个，几乎每个月一个，下面从时间先后顺序进行处理，大家可以看看。

1、2023年12月综述

《Retrieval-Augmented Generation for Large Language Models: A Survey》

这篇综合性综述论文对RAG范式的发展进行了详细的研究，包括Naive RAG、Advanced RAG和Modular RAG，仔细研究了RAG框架的三个基础概念，包括检索、生成和增强技术。该论文重点介绍了这些关键组件中蕴含的sota方案，以及最新的评估框架和基准。

最后，该工作阐述了当前面临的挑战，并指出了未来的研究和发展方向。

地址：https://arxiv.org/abs/2312.10997

2、2024年2月综述

《Retrieval-Augmented Generation for AI-Generated Content: A Survey》

该工作全面回顾了将RAG技术整合到AIGC**场景中的现有工作。首先根据检索器如何增强生成器对RAG基础进行分类，提炼出各种检索器和生成器增强方法的基本原理。

此外，总结了RAG的其他增强方法，以促进RAG系统的有效工程设计和实施。最后，还介绍了RAG的基准，讨论了当前RAG系统的局限性，并提出了未来研究的潜在方向。

地址：https://arxiv.org/abs/2402.19473，https://github.com/hymie122/RAG-Survey

3、2024年4月综述

《A Survey on Retrieval-Augmented Text Generation for Large Language Models》

随着RAG的复杂性不断增加，并纳入了可能影响其性能的多个概念，该工作将RAG范式分为四个类别：检索前、检索、检索后和生成，从检索的角度提供了详细的视角。

该工作首先概述了RAG的演变过程，并通过对重要研究的分析讨论了该领域的进展。此外，还介绍了RAG的评估方法，解决了面临的挑战，并提出了未来的研究方向。通过提供一个有条理的框架和分类，本研究旨在整合现有的RAG研究，澄清其技术基础，并强调其扩大LLM适应性和应用的潜力。

地址：https://arxiv.org/pdf/2404.10981

4、2024年5月份综述

《A Survey on RAG Meets LLMs: Towards Retrieval-Augmented Large Language Models》

该工作全面回顾了检索增强大型语言模型（RA-LLMs）方面的现有研究，涵盖了三个主要技术视角：架构、训练策略和应用。先简要介绍了LLM的基础和最新进展。然后，为了说明RAG对LLMs的实际意义，按应用领域对主流相关工作进行了分类，具体详述了每个领域所面临的挑战以及RA-LLMs(Retrieval-Augmented Large Language Models)的相应能力。

最后，为了提供更深入的见解，讨论了当前的局限性和未来研究的几个有前途的方向。

地址：https://arxiv.org/pdf/2405.06211

问题2：关于行业大模型的一些有趣总结

昨天看到腾讯研究院发布的《腾讯发布业界首份行业大模型调研报告：向 AI 而行，共筑新质生产力》(https://mp.weixin.qq.com/s/dxtKDqch3wMlW781exb51w)，读下来，很有收获，推荐大家看看原文，其中有些重点可以看看。

行业大模型的构建和应用中，由于需求和目标不同，技术实现复杂性差异也较大。通过调研总结，目前机构在使用大模型适配行业应用过程中，从易到难主要有提示工程、检索增强生成、精调、预训练四类方式。

在机构的具体实践中，通常不会只用一种方式，而会组合使用，以实现最佳效果。例如，一个高质量的智能问答系统，会综合使用提示工程、检索增强生成和精调等方式。

而在行业应用场景上，该报告也做了梳理，也很不错，如下：

而怎么衡量一个行业模型是否成功，也可以进一步的总结成几个衡量原则，例如：

总结

本文主要围绕RAG综述以及行业模型的两个问题进行了总结，一个是目前RAG都有哪些综述，四大综述？一个是关于行业大模型的一些有趣总结。最近的总结都多了起来，并且都开始回归冷静。大家可以多看看，会有所收获。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括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免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

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。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍