MemoRAG是一个建立在高效、超长记忆模型之上的创新 RAG(Retrieval-Augmented Generation)框架,由智源研究院(北京人工智能研究院)与中国人民大学高瓴人工智能学院联合推出并开源。
MemoRAG:通过记忆启发的知识发现迈向下一代RAG,为 RAG 提供基于内存的数据接口,适用于多种用途的应用程序!
MemoRAG与主要处理具有明确信息需求查询的标准 RAG 不同,MemoRAG利用其记忆模型实现对整个数据库的全局理解。通过从记忆中回忆与查询相关的线索,MemoRAG增强了证据检索,从而产生更准确、更丰富的上下文响应。
在处理需要对整个数据库进行高级理解的查询时,标准RAG与MemoRAG之间的比较,以《哈利·波特》书籍作为数据库。左侧图,由于输入查询的隐含性质,标准RAG难以准确定位所需的证据,导致答案不够准确。右侧图,MemoRAG构建了覆盖整个数据库的全局记忆。当提出查询时,MemoRAG 首先回忆相关线索,使有用的信息得以检索,从而得到一个精确且全面的答案。
MemoRAG特点
-
全局记忆:在单个上下文中处理高达100万个token,为庞大的数据集提供全面的了解。
-
可优化与灵活:轻松适应新任务,仅需几个小时的额外训练即可实现优化性能。
-
上下文线索:从全局记忆中生成精确线索,将原始输入与答案连接起来,并从复杂数据中解锁隐藏的洞察。
-
高效缓存:通过支持缓存分块、索引和编码,将上下文预填充速度提高多达30倍。
-
上下文重用:一次性编码长上下文,并支持重复使用,提高需要重复数据访问的任务的效率。
在三个基准上测试了MemoRAG,使用了三种不同的生成器(Llama3-8B-Instruct-8K、Phi-3-mini-128K、Mistral-7B-Instruct-v0.2-32K),得出以下结论:
主要实验结果。每个版块中最好的结果以粗体显示。这些实验中使用的记忆模型是基于 Mistral-7B-Instruct-v0.2-32K 训练的,可在 HuggingFace 上获取。
-
MemoRAG 在所有数据集上的表现都超过了所有基线模型,展示了其强大的领域泛化能力。
-
直接将完整上下文输入到大型语言模型(LLMs)通常比其他 RAG 方法(BGE-M3、Stella-v5 和 HyDE)表现更好。这一发现揭示了标准 RAG 系统在处理长上下文和高级问题方面的困难。
-
相比之下,MemoRAG 一贯超越了直接使用完整上下文的性能,展示了其有效弥合处理超长上下文和解决复杂任务之间差距的能力。
-
MemoRAG 在三个领域内数据集上展示了卓越的性能,这表明其潜力可以通过更多样化的训练数据进一步增强。
MemoRAG使用
可以直接用 HuggingFace 模型初始化。通过该MemoRAG.memorize()方法,记忆模型可以在较长的输入上下文中构建全局记忆。
-
TommyChien/memorag-qwen2-7b-inst可以处理最多400K个token的上下文,
-
TommyChien/memorag-mistral-7b-inst可以管理最多128K个token的上下文。
-
通过增加参数beacon_ratio,可以扩展模型处理更长上下文的能力。例如,TommyChien/memorag-qwen2-7b-inst可以处理最多一百万个token beacon_ratio=16。
from memorag import MemoRAG
# Initialize MemoRAG pipeline
pipe = MemoRAG(
mem_model_name_or_path="TommyChien/memorag-mistral-7b-inst",
ret_model_name_or_path="BAAI/bge-m3",
gen_model_name_or_path="mistralai/Mistral-7B-Instruct-v0.2", # Optional: if not specify, use memery model as the generator
cache_dir="path_to_model_cache", # Optional: specify local model cache directory
access_token="hugging_face_access_token", # Optional: Hugging Face access token
beacon_ratio=4
)
context = open("examples/harry_potter.txt").read()
query = "How many times is the Chamber of Secrets opened in the book?"
# Memorize the context and save to cache
pipe.memorize(context, save_dir="cache/harry_potter/", print_stats=True)
# Generate response using the memorized context
res = pipe(context=context, query=query, task_type="memorag", max_new_tokens=256)
print(f"MemoRAG generated answer: \n{res}")
运行上述代码时,编码后的键值 (KV) 缓存、Faiss 索引和分块段落都存储在指定的 中save_dir。之后,如果再次使用相同的上下文,则可以快速从磁盘加载数据:
pipe.load("cache/harry_potter/", print_stats=True)
通常,加载缓存权重非常高效。例如,使用内存模型对200K令牌上下文进行编码、分块和索引大约需要35秒,但从缓存文件加载时只需1.5秒。
摘要任务
要执行摘要任务,请使用以下脚本:
res = pipe(context=context, task_type="summarize", max_new_tokens=512)
print(f"MemoRAG summary of the full book:\n {res}")
https://github.com/qhjqhj00/MemoRAG
https://arxiv.org/pdf/2409.05591
MemoRAG: Moving Towards Next-Gen RAG Via Memory-Inspired Knowledge Discovery
读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型!
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,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。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费
】🆓