RankRAG：基于排序增强的单一LLM问答生成框架

英伟达提出了 RankRAG 框架，该框架通过指令微调单个大型语言模型，使其同时具备上下文排序和答案生成的能力，从而提升检索增强生成任务的效率。

论文介绍

Retrieval-augmented generation (RAG) 已成为增强大型语言模型 (LLM) 的一项关键技术，使其能够处理专业知识、提供当前信息并适应特定领域，而无需改变模型权重。然而，当前的 RAG 流程面临着重大挑战。LLM 难以有效地处理大量分块的上下文，通常在较小的、高度相关的上下文集中表现更好。此外，在有限数量的检索到的上下文中确保相关内容的高召回率也带来了挑战。虽然单独的排序模型可以改进上下文选择，但与通用的 LLM 相比，它们的零样本泛化能力通常有限。这些挑战突出了对更有效的 RAG 方法的需求，以平衡高召回率上下文提取和高质量内容生成。

之前的一些研究已经进行了许多尝试来解决 RAG 系统中的挑战。一些方法侧重于使检索器与 LLM 的需求保持一致，而另一些方法则探索多步骤检索过程或上下文过滤方法。指令微调技术已经被开发出来，以增强 LLM 的搜索能力和 RAG 性能。检索器与 LLM 的端到端联合优化已显示出前景，但在训练和数据库维护方面引入了复杂性。

排序方法已被用作中间步骤，以提高 RAG 流程中的信息检索质量。然而，这些方法通常依赖于 BERT 或 T5 等额外的模型，这些模型可能缺乏充分捕捉查询-上下文相关性的必要能力，并且在零样本泛化方面存在困难。虽然最近的研究已经证明了 LLM 强大的排序能力，但它们与 RAG 系统的整合仍未得到充分探索。

尽管取得了这些进展，但现有方法需要改进，以便在高召回率上下文提取和高质量内容生成之间实现高效平衡，尤其是在处理复杂查询或多样化知识领域时。

来自 NVIDIA 和佐治亚理工学院的研究人员介绍了一个名为 RankRAG 的创新框架，旨在增强 LLM 在 RAG 任务中的能力。这种方法独特地对单个 LLM 进行了指令微调，使其能够在 RAG 框架内执行上下文排序和答案生成。RankRAG 通过整合上下文丰富的问答、检索增强型问答和排序数据集，扩展了现有的指令微调数据集。这种全面的训练方法旨在提高 LLM 在检索和生成阶段过滤无关上下文的能力。

该框架引入了一项专门的任务，重点关注为给定问题识别相关的上下文或段落。该任务的结构是为了排序而设计的，但被构建为带有指令的常规问答，更有效地与 RAG 任务保持一致。在推理过程中，LLM 首先对检索到的上下文进行重新排序，然后根据优化的 top-k 上下文生成答案。这种通用方法可以应用于各种知识密集型自然语言处理任务，为提高不同领域的 RAG 性能提供统一的解决方案。

RankRAG 通过两阶段指令微调过程增强 LLM 的检索增强生成能力。第一阶段涉及在各种指令遵循数据集上进行监督微调。第二阶段统一了排序和生成任务，整合了上下文丰富的问答、检索增强型问答、上下文排序和检索增强型排序数据。所有任务都被标准化为（问题、上下文、答案）格式，便于知识迁移。在推理过程中，RankRAG 采用检索-重新排序-生成流程：它检索 top-N 个上下文，对它们进行重新排序以选择最相关的 top-k 个上下文，并根据这些优化的上下文生成答案。这种方法在单个 LLM 中改进了上下文相关性评估和答案生成能力。

RankRAG 在各种基准测试中展示了在检索增强生成任务中的卓越性能。8B 参数版本始终优于 ChatQA-1.5 8B，并与更大的模型（包括参数量是其 5-8 倍的模型）相比具有竞争力。RankRAG 70B 超越了强大的 ChatQA-1.5 70B 模型，并且明显优于以前使用 InstructGPT 的 RAG 基准。

在具有挑战性的数据集上，例如长尾问答 (PopQA) 和多跳问答 (2WikimQA)，RankRAG 表现出更显著的改进，与 ChatQA-1.5 相比提高了 10% 以上。这些结果表明，在排名靠前的检索文档与答案相关性较低的情况下，RankRAG 的上下文排序能力特别有效，从而增强了复杂 OpenQA 任务中的性能。

这项研究提出了 RankRAG，它代表了 RAG 系统的重大进步。这个创新框架对单个 LLM 进行了指令微调，使其能够同时执行上下文排序和答案生成任务。通过在训练组合中加入少量排序数据，RankRAG 使 LLM 能够超越现有专家排序模型的性能。该框架的有效性已通过对知识密集型基准的全面评估得到广泛验证。RankRAG 在九个通用领域和五个生物医学 RAG 基准测试中均表现出卓越性能，明显优于最先进的 RAG 模型。这种在单个 LLM 中实现排序和生成的统一方法为增强 RAG 系统在各个领域的能力提供了一个有希望的方向。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】