RAG微调Llama 3竟超越GPT-4！英伟达GaTech华人学者提出RankRAG框架

电影《荒野机器人》全新预告片发布，展现了一场关于求生”的温暖绚烂之旅。在这场冒险中，一名机器人意外流落荒野，却意外开启了一扇通往美丽新世界的大门，带领观众踏上了

声明:本文来自于微信公众号 新智元（ID:AI_era），作者:新智元，授权 转载发布。

【新智元导读】来自佐治亚理工学院和英伟达的两名华人学者带队提出了名为的微调框架，简化了原本需要多个模型的复杂的RAG流水线，用微调的方法交给同一个LLM完成，结果同时实现了模型在RAG任务上的性能提升。

在需要大量事实知识的文本生成任务中，RAG成为了常用的LLM部署技巧。

但佐治亚理工学院和英伟达最近发表的一篇论文提出——RAG可以不止停留在用于推理的pipeline中，类似的思路完全可以移植到微调阶段，于是有了这个名为RankRAG的框架。

论文地址:https://arxiv.org/abs/2407.02485

他们的思路可以概括为:用微调拓展模型的能力，把原来RAG需要额外模型的检索、排名任务全丢回给LLM自己。

结果发现，不仅数据效率提高了，模型性能也有显著增强，相比今年5月刚提出的ChatQA-1.5系列有显著优势。

在9个通用基准和5个生物医学的知识密集型基准上，RankRAG用Llama38B/70B微调出的模型分别超过了同样基座上ChatQA-1.5的两个微调模型，Llama3-ChatQA-1.5-8B和Llama3-ChatQA-1.5-70B。

ChatQA-1.5项目地址:https://chatqa-project.github.io/

检索增强生成技术，简称为RAG（Retrieval-Augmented Generation），被广泛适用于LLM的定制化，尤其是知识密集型的NLP任务。可以帮助模型在不改变权重的情况下掌握「长尾知识」和最新信息，并适应到特定的领域。

通常情况下，RAG的工作流程大致是:对于给定问题，由一个基于文本编码的稠密模型从外部数据库中检索到top-k个文本段，然后输入给LLM进行读取，以此为基础进行生成。

来源:AWS

这个pipeline看起来非常符合直觉，也已经被广泛使用，但作者在论文开篇指出了其中的固有局限，首先就是k值的选择。

如果k值较大（比如top-100），即使是支持长上下文的窗口的LLM也很难快速读取这么多文本块。随着k值的增大，性能会很快饱和。

除了效率原因，之前还有研究表明，k值在5或10这个量级时，生成结果的准确性更高。因为过多上下文会引入不相关内容，妨碍LLM生成准确答案，

《Retrieval meets Long Context Large Language Models》https://arxiv.org/abs/2310.03025

那把k值就定在这个区间不行吗?

如果给定一个较小的k，我们需要一种机制来保证检索结果的高召回率（recall）。

鉴于检索器的表达能力有限（通常是稀疏检索模型如BM25，或中等大小的编码模型如BERT-based），通常无法捕获所有相关信息，因此实际的应用过程还会加上一个交叉编码(cross-encoding)的排名模型。

排名模型从数据库中检索到top-N个候选 （N ≫ k），再经过一次排名得到最终top-k结果。

这种方案的缺陷在于，与通用的LLM本身相比，专家排名模型的零样本泛化能力相对有限，上游检索结果的质量很可能造成下游LLM生成任务的瓶颈。这在许多实证研究中都得到了验证。

基于上述考虑，作者认为可以只使用LLM同时完成上下文检索和内容生成任务，通过设计RAG的指令调优来实现，这种新颖的框架被命名为RankRAG。

OpenAI的报告中就发现，检索、排名过程中发展出的「确定文本块与问题是否相关」的能力对答案的生成同样有用，这两者可以被视为「双重能力」。

RankRAG在训练过程中引入了一项带指令的问答任务，让模型能够识别出与问题相关的上下文或段落，便于在推理时对检索结果进行排名。

如果将一部分排名数据集成到指令微调中，还能大大增强LLM在RAG排名任务中的性能，甚至超过了单独用LLM和10×排名数据进行微调的结果。

RankRAG微调框架

在推理阶段，RankRAG的pipeline与上述的的「检索-排名-生成」流程几乎相同，首先检索出带有相关性分数的top-N结果，然后进行重新排名并保留top-k段落，将其与问题连接到一起进行生成。

主要的不同点在于模型训练过程，使用了两个阶段的指令微调（图2）直接增强LLM的相关能力，而不是在模型外部添加额外操作。

第一阶段首先进行监督微调（SFT），128k个样例来自多个数据集的混合，包括对话数据集SODA、Dolly、OpenAssistant，长格式QA数据集ELI5(需要详细答案)，LLM合成的指令，以及CoT数据集FLAN。

这个阶段的SFT主要是为了提高LLM的指令跟随能力，虽然与RAG关系不大，但可以为接下来的指令微调过程做好铺垫。

为了提升LLM的检索、排名性能，第二阶段的微调数据集由以下几个部分混合组成（表1）:

第一阶段的SFT数据:用于维持指令跟随能力

上下文丰富的QA数据:涵盖了DROP、NarrativeQA、Quoref、ROPES、NewsQA、TAT-QA等数据集，每条数据包含问题、黄金上下文（golden context）和答案

会话QA数据集:如Synthetic Conversation和HumanAnnotatedConvQA，同时包括对话内容以及一份背景文档

检索增强的QA数据:不仅包括SQuAD和WebQuestions中的问题和答案，还用BM25将黄金上下文和检索到的top结果组合起来，确保每条数据都有5个上下文，其中有些上下文可能不包括问题答案，甚至是hard-negative，这是为了重点提高LLM对不相关上下文的鲁棒性

上下文排名数据:使用流行的MS Marco语义相关性数据集，将其中的黄金样本视为相关的查询-段落对 （𝑞，𝑐+），BM25挖掘的hard negtive (𝑞，𝑐−)则被视为不相关，让LLM对这些样本的相关性进行二元分类(True或False)

检索增强的排名数据:同样使用QA数据集SQuAD和WebQuestions，以及BM25检索到的上下文，训练LLM的对相关性进行排名的能力

实验

表2展示了RankRAG与基线模型的对比结果:

- 优于现有的RAG方法

可以看到，在8B的参数规模上，RankRAG始终优于当前的开源SOTA——ChatQA-1.58B。

与更大的模型相比，RankRAG8B依然显著优于InstructRetro（5倍参数量）、RA-DIT65B(8倍参数量)，甚至在NQ和TriviaQA任务中超越了参数多达8倍的Llama3-instruct70B。

在增加模型参数后，RankRAG70B的表现不仅优于强大的ChatQA-1.570B模型，并且还显著优于之前以InstructGPT为底层大语言模型的RAG基线。

- 在更具挑战性的数据集上表现出更大的改进

相对于基线模型的性能提升，RankRAG在更具挑战性的QA数据集上更加明显。在长尾QA（PopQA）和多跳QA(2WikimQA)任务中，RankRAG比ChatQA-1.5提高了10%以上。

这些发现表明，在具有挑战性的OpenQA数据集中，检索器中的顶级文档与答案的相关性较低，而上下文排名能有效提高性能。

- 设计组件的效果

表3展示了以Llama38B为骨干的RankRAG，在九个通用领域数据集上的消融结果。总体来看，所有的新组件都对最终性能有所贡献。

- 不同大语言模型的性能表现

表4展示了RankRAG和最新基线ChatQA，在使用不同参数量的Llama2作为骨干时的性能表现。

可以看到，RankRAG在各种类型和规模下，性能都有提升——分别在7B/13B/70B变体上提高了7.8%/6.4%/6.3%。

- 不同检索器的性能表现

图3展示了RankRAG和ChatQA-1.5在三项代表性任务中，使用不同密集检索器（DPR和Contriever-MS MARCO）的性能。

尽管初始检索结果并不理想，但RankRAG在平均性能上仍然比ChatQA-1.5高出10%以上。

RankRAG在选择检索器方面表现出很强的鲁棒性。

为了证明RankRAG在专业领域的适应性，作者在最新的生物医学RAG基准Mirage上进行了实验。

MedCPT作为检索器ℛ，MedCorp2作为语料库𝒟。

从表5中可以看出，即使没有进行过微调，RankRAG依然可以在医学问答任务上有着出色的表现——

不仅在8B的规模下部分超越了医学领域的开源SOTA Meditron70B，而且在70B的规模下达到了GPT-4超过98%的性能。

- RankRAG具有高数据效率

如表6所示，相比于在10倍数据上训练的专用排名模型，RankRAG在大部分情况下都取得了更好的召回率。

甚至，RankRAG还能在大多数任务中超越BGE-ranker，要知道后者曾在超过100万对排名数据上进行了广泛的训练，其中还包括一些与评估任务重叠的排名对。

直接使用ChatQA-1.5对段落进行排名会降低性能，这表明在指令微调中加入排名数据的很有必要的。

如图4所示，仅使用5k排名数据（约占MS MARCO数据集的1%），RankRAG即可获得极佳的结果，而将排名数据增加到50k更是带来了显著的增益。

这一发现证实了RankRAG的数据效率——只需少量排名数据就能实现有效性能，并能在各种任务中保持适应性。

- RankRAG的性能与时间效率

随着模型规模的扩大，不仅延迟开销会增加，逐样本排名的时间开销也会增大。

为了研究时间效率与性能之间的关系，作者改变了重新排名中使用的N，并在图5中绘制了N与最终准确率的关系。

可以看到，即使N=20，RankRAG仍然比不进行重新排名的基准模型有所改进。

当N从20逐渐增加100时，重新排名将精确匹配分数提高了5.9%到9.1%，并且只额外增加了0.9到6倍的时间——远低于预期的20到100倍的预期增长。

表7展示了NQ数据集上的一个案例。

可以看到，由于存在干扰因素，而且一些上下文（ChatQA-1.5的段落4和段落5）对回答问题没有帮助，因此只用检索器的话会导致上下文中出现错误信息。

相比之下，重新排名技术则发现了另外两个相关的段落，从而帮助模型给出了正确的答案。

作者介绍

论文的两位共同一作分别是佐治亚理工学院的Yue Yu和英伟达的Wei Ping。

Yue Yu目前是GaTech CSE学院的五年级博士生，由Chao Zhang教授指导，研究兴趣是LLM和以数据为中心的AI的交叉领域，博士期间曾在Meta、英伟达、谷歌研究院、微软研究院等机构实习。

在进入GaTech前，他在2019年从清华大学电子工程系获得学士学位，曾在Yong Li教授指导下进行时空数据挖掘和推荐系统方向的研究。

另一位共同一作Wei Ping是英伟达应用深度学习研究团队的首席科学家，他的研究重点关注LLM和GenAI，致力于为文本、音频等多模态数据构建生成模型。

他2016年从加州大学欧文分校获得机器学习专业的博士学位，本科和硕士分别毕业于哈尔滨工业大学和清华大学。博士毕业后曾在吴恩达创立的百度硅谷AI Lab领导文字转语音团队，之后加入英伟达。

值得一提的是，本篇论文对标的基准方法ChatQA也是Wei Ping之前的研究。

参考资料:

https://arxiv.org/abs/2407.02485