一叶知秋:单令牌模态融合革新RAG上下文压缩

论文：http://arxiv.org/pdf/2405.13792v1
代码地址：https://github.com/McGill-NLP/llm2vec

微软和北大团队提出xRAG，这是一种为检索增强型生成任务量身定制的上下文压缩方法。xRAG通过重新解释在密集检索中使用的文档嵌入，将它们作为检索模态的特征，并运用模态融合方法将这些嵌入无缝集成到语言模型的表示空间中。这种方法有效地消除了对文本对应项的需求，并实现了极端的压缩率。在xRAG中，唯一可训练的组件是模态桥接器，而检索器和语言模型保持不变。这种设计选择允许重用离线构建的文档嵌入，并保持了检索增强的即插即用特性。
实验结果表明，xRAG在六个知识密集型任务上平均提高了超过10%的性能，适用于从密集的7B模型到8x7B专家混合配置的各种语言模型。xRAG不仅显著优于以前的上下文压缩方法，而且在几个数据集上与未压缩模型的性能相匹