做网站的前途怎么样百度指数电脑端查询
💡 给语言模型插上知识之翼：Retrieval-Augmented Generation（RAG）
一、封闭 vs 开放：为什么语言模型需要“记忆增强”？
传统语言模型如 GPT-3、PaLM 是 参数化记忆系统：
- 所有知识“写死”在训练权重中；
- 无法实时更新，信息易过时；
- 容易出现幻觉和事实错误。
二、动机场景（全部替换）：
| 问题类型 | 原始回答（LLM） | 现实期待 |
|---|---|---|
| 🕰️ 过时知识 | Q: Who won the 2023 Nobel Prize in Physics? | |
| A: Albert Einstein. ❌ | ||
| Q: Who is Australia’s current education minister? | ||
| A: Dan Tehan. ❌（已卸任） | ||
| 🎯 特定事实 | Q: What type of fuel does the Airbus A350 use? | |
| A: Jet fuel, same as cars. ❌ | 需要准确调用领域知识 | |
| 🎨 冷门作品 | Q: Who painted “The Sky Beneath”? | |
| A: Unknown. ❌ | 来自近期画展的真实画家信息 |
三、解决思路：非参数记忆（Non-Parametric Memory）
模型通过外部数据库查询信息，不再“闭门造车”。
| 类型 | 描述 |
|---|---|
| 参数化 | 知识嵌入模型权重，训练时确定 |
| 非参数化 | 知识存储在外部文档，可更新 |
四、三种“检索 + 生成”结构（来源图示）
1️⃣ 并行式（Parallel）
- 检索器先找 Top-K 文档 → 与输入拼接 → “对每个文档单独生成答案”，再后融合
🔧 应用于：KNN-LM
2️⃣ 单步顺序式（Sequential）
- 检索器输出结果后，模型一次性阅读生成答案
- 无后续反馈环节
🔧 应用于：RAG、REALM、RETRO
3️⃣ 多轮交互式（Multiple Rounds）
- 模型边生成边判断何时“去查一下”
- 发出子问题 → 检索器返回 → 继续生成
🔧 应用于：FLARE
五、向量检索：Retriever 是如何找“相关内容”的？
| 步骤 | 举例（新场景） |
|---|---|
| 1️⃣ 建立文档向量库 | 将 10,000 篇自然科学论文转换为向量 |
| 2️⃣ 用户输入编码为向量 | “What is the difference between RNA and DNA?” |
| 3️⃣ 计算向量相似度 | 返回距离最小的 Top-3 文档段落 |
→ 类似 KNN，但是在嵌入空间中操作。
六、RAG：检索-生成基础架构（Facebook, 2020）
核心思想： RAG结合了预训练的生成模型（如BART）和非参数化的知识库，通过检索相关文档并将其与查询一起输入到生成模型中，从而增强生成结果的准确性和相关性。
架构与机制：
- Retriever： 使用预训练的密集向量检索器，从知识库中检索与查询相关的文档。
- Generator： 将查询与每个检索到的文档拼接，输入到生成模型中，生成候选答案。
- 融合机制： 对多个候选答案进行加权融合，生成最终输出。
流程：
- 给定问题
x - 检索器查找文档 Top-K
- 模型将文档拼接入输入中生成答案
🧪 示例：
Q: When was the James Webb Space Telescope launched?检索返回：
- "...launched by NASA on December 25, 2021..."
- "...successor to Hubble..."输出：
The James Webb Telescope was launched on December 25, 2021.
创新点：
将检索和生成模块解耦，便于替换和扩展。
支持多文档融合生成，提高了生成结果的丰富性和准确性。
优缺点：
优点： 结构灵活，易于集成不同的检索器和生成模型。
缺点： 原始设计中，检索器不可训练，可能导致生成模型过度依赖无关文档。
应用场景： 知识密集型任务，如问答、摘要生成等
七、REALM：融合检索到训练阶段（Google, 2020）
REALM通过引入可训练的检索器，使语言模型能够在预训练、微调和推理阶段，从大规模语料库（如Wikipedia）中检索相关文档，并结合这些文档进行语言建模，从而以更模块化和可解释的方式捕捉知识。
架构与机制：
Retriever： 使用可训练的密集向量检索器，将查询映射到向量空间，并从语料库中检索相关文档。
Reader： 将检索到的文档与原始查询一起输入到语言模型中，进行预测。
训练方式： 通过掩码语言建模（Masked Language Modeling）任务进行训练，允许梯度通过检索步骤反向传播，从而实现端到端训练。
创新点：
首次实现了可训练的检索器与语言模型的联合训练。
在预训练阶段引入了检索机制，使模型能够访问外部知识。
优缺点：
优点： 提高了模型的可解释性和模块化，能够处理开放域问答等任务。
缺点： 检索器的训练和更新成本较高，检索速度可能慢于传统的稀疏方法。
应用场景： 开放域问答、需要外部知识支持的自然语言处理任务。
与 RAG 区别：
- 检索器内嵌在 encoder 层
- 在预训练时引入检索 → 表示更鲁棒
🧪 示例替换：
Q: What is the primary role of myelin in neurons?检索内容：“…myelin insulates axons, speeding up signal transmission…”→ 输出：Myelin increases neural signal transmission speed.
八、RETRO：训练时的 token-level 检索（DeepMind, 2022）
RETRO在Transformer模型的每一层中引入检索机制，使模型能够在生成过程中访问外部知识，从而增强其长期记忆能力。
架构与机制：
检索机制： 将输入文本划分为多个块（chunk），并为每个块检索相关的文档块。
集成方式： 在Transformer的每一层中，通过交叉注意力机制，将检索到的文档块与当前块的表示进行融合。
创新点：
在模型结构中深度集成检索机制，实现了显式的长期记忆。
使用冻结的BERT模型作为检索器，降低了训练复杂度。
优缺点：
优点： 在参数数量较少的情况下，性能可与大型模型（如GPT-3）相媲美。
缺点： 训练和索引过程复杂，对计算资源要求高。
应用场景： 需要长期记忆和外部知识支持的生成任务。
模型解码每个 token 时，都可参考检索结果。
🧪 示例：
生成中间片段：
"The invention of penicillin was by..."→ 检索：“Alexander Fleming discovered penicillin in 1928...”→ 模型补全：“...Alexander Fleming in 1928.”
九、FLARE：模型自己发问，自己查（Meta, 2023）
模型生成时识别不确定部分，主动提出子问题并检索。
核心思想： FLARE在生成过程中动态判断是否需要检索外部信息，并在必要时进行检索，从而提高生成内容的准确性和相关性。
架构与机制：
预测机制： 在生成每个句子之前，预测下一个句子的内容，并判断是否包含低置信度的词。
检索机制： 如果预测的句子包含低置信度的词，则使用该句子作为查询，检索相关文档，并重新生成句子。
创新点：
引入了主动检索机制，使模型能够在生成过程中动态获取外部信息。
提高了生成内容的准确性，减少了幻觉现象。
优缺点：
优点： 更节省资源，避免一开始就检索大量冗余文档。
缺点： 控制策略的训练复杂，对流式生成模型结构有一定要求。
应用场景： 长文本生成、任务规划等需要动态获取外部信息的任务。
🧪 示例：
任务：写一个介绍马达加斯加地理环境的段落。模型中途发现空白：“The island features ... climate zones.”子问题 → 检索：“What climates exist in Madagascar?”文档：“... includes tropical rainforest, dry deciduous, and subhumid zones.”最终补全：
“The island features tropical rainforest, dry deciduous, and subhumid climate zones.”
🔚 全面对比
| 方法 | 检索方式 | 亮点 | 应用推荐 |
|---|---|---|---|
| RAG | 提前检索 | 架构清晰、效果稳定 | 文档问答、客服系统 |
| REALM | 训练中检索 | 深融合表示、可泛化 | 专业领域阅读理解 |
| RETRO | 解码时检索 | 支持长上下文、训练友好 | 大型对话、多文档生成 |
| FLARE | 交互式检索 | 主动发问、自适应推理 | 智能写作、规划代理 |