专栏名称: 新智元

智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人革命对人类社会与文明进化的影响，领航中国新智能时代。

斯坦福新研究：RAG能帮助LLM更靠谱吗？

新智元 · 公众号 · · 2024-05-29 12:59

正文

编辑：Mindy

大语言模型（LLM）虽然功能强大，但容易出现幻觉。

此外，它们受限于其训练语料库中包含的知识，因此无法回答有关近期事件或公开受限信息的查询。

为了解决上述问题，检索增强生成（RAG）是一种常用的框架，它在LLM的提示中提供相关检索内容，获得相关信息的参考文档或数据库，并可以显著提高模型的准确性。

大多数商业LLM，如ChatGPT、Gemini和Perplexity.ai，已经在它们的Web界面中采用了某种版本的RAG。

例如，ChatGPT使用Bing搜索，而Gemini访问Google搜索结果。

但当语言模型内部知识与通过RAG提供的信息之间的不一致时，或者当网络结果不断变化，并且可能包含过时、错误或有害的信息时，这个问题就变得更加复杂了。

因此，对启用RAG的LLM行为进行客观评估，与对它们的非RAG对应物进行基准测试同样重要，特别是目前RAG系统越来越依赖于在众多领域提供事实信息。

量化LLM和RAG之间的关系

在斯坦福的最新研究中，研究工作旨在量化LLM的内部知识与RAG设置中呈现的检索信息之间的紧张关系。

没有上下文（即没有RAG），测试的语言模型平均只能正确回答34.7%的问题。有了RAG，准确率提高到了94%。

「先前」指的是没有上下文的GPT-4响应，「带RAG」指的是在提示中包含了相关检索到的上下文的响应。

此外，还包括了先验概率与RAG偏好率之间关系的斜率。例如，平均斜率为-0.23，这意味着每当先验token的概率增加10%，RAG偏好率的下降可能性为2.3%。

为了区分这两种相互竞争的力量，研究人员对GPT-4和其他大语言模型（LLM）进行了测试，使用了六组不同的问题，总共超过1200个问题。

当提供正确的参考信息时，这些模型正确回答了94%的问题。

然而，当参考文档逐渐被错误的值修改时，如果模型自身在该主题上的预训练知识较弱，LLM重复错误信息的可能性就更高。

当预训练知识更强时，模型更能抵抗错误的参考信息。

根据参考文档中信息的错误程度，大语言模型（LLM）会通过检索增强生成（RAG）引用或从其知识库中输出错误答案。

当修改后的信息与模型认为合理的情况偏离得更厉害时，出现了类似的模式：偏离越不切实际，大语言模型（LLM）就越依赖于自己的预训练知识。

尽管RAG系统可以显著提高语言模型的事实准确性，但它们并不是对抗错误信息的万能药。

上述实验说明使用高质量参考数据的RAG可以显著提高LLMs的准确性。

此外，模型的良好训练先前知识有助于识别和忽略不切实际的信息。

RAG提示强度和模型先验知识之间的博弈

另外遵守参考信息的提示强度也产生了影响：更强烈的提示导致模型更有可能遵循参考信息。

相反，当提示不那么严格，模型有更多的自由度来衡量其先前知识与参考信息时，遵循参考信息的可能性就会降低。

大语言模型（LLM）访问检索增强生成（RAG）数据的方式会影响从参考中提取信息的准确性。

为了实现尽可能高的准确性，必须非常清楚地告知LLM，它应该只从参考中获取数据。