UC Berkeley ｜RAFT: 對不相關(guān)的RAG檢索結(jié)果進行建模
大家好，我是HxShine，今天推薦一篇UC Berkeley的一篇RAG效果優(yōu)化的文章～
大模型引入新的知識一般有兩個途徑，一種是RAG檢索增強，一種是SFT，哪種方式效果比較好呢？或者說有沒有一些其他的更為有效的方式呢？
這篇論文介紹了一種新的訓(xùn)練方法——檢索增強型微調(diào)（RAFT：Retrieval Augmented FineTuning），旨在改善領(lǐng)域特定的RAG（Retrieval-Augmented Generation）條件下，大型語言模型（LLMs）對問題的回答能力。
簡單來說，RAFT將RAG+SFT+COT有機的結(jié)合起來，在多項問答測試集上，利用LLama2 7B的模型，就取得了比ChatGPT3.5+RAG結(jié)合的方法。具體來說，在RAFT中，面對一個問題及一組檢索到的文檔時，模型被訓(xùn)練為忽略那些不相關(guān)的知識，同時挖掘其中與問題的相關(guān)知識的來提升問答效果。同時其結(jié)合鏈?zhǔn)剿伎糃OT策略提升推理能力。其在PubMed、HotpotQA、Hugging Face、Torch Hub、TensorFlow Hub等問答數(shù)據(jù)集上，取得了非常不錯的效果。
一、概述
Title: RAFT: Adapting Language Model to Domain Specific RAG URL:?? https://arxiv.org/abs/2403.10131??
Code：?? https://github.com/ShishirPatil/gorilla??
Authors: Tianjun Zhang, Shishir G. Patil, Naman Jain, Sheng Shen, Matei Zaharia, Ion Stoica, Joseph E. Gonzalez
1 Motivation
? 大模型引入新知識（例如緊急新聞或私有領(lǐng)域知識）要么通過RAG，要么微調(diào)，但如何最佳地讓模型獲得這些新知識還值得探索。
? 為了改善LLMs在特定領(lǐng)域中的性能，特別是在開放書本式問答（"open-book" questioning）任務(wù)中，本文提出了RAFT（Retrieval Augmented FineTuning）方法，嘗試將SFT，RAG，COT進行結(jié)合，提升特定領(lǐng)域QA的效果。
2 Methods
背景：哪種方式引入外部知識最好？
Figure 1: How best to prepare for an Exam?
1.純監(jiān)督的微調(diào)（FT）：種方法通過直接“記憶”輸入文檔或者回答練習(xí)問題（不引用文檔）來“學(xué)習(xí)”，類似于考試前直接背誦或者通過做練習(xí)題來準(zhǔn)備，但沒有引用外部文檔。
2.純檢索增強生成（RAG）：這種方法相當(dāng)于開卷考試，但是沒有提前學(xué)習(xí)。即在回答時可以引用文檔，但沒有充分利用固定領(lǐng)域設(shè)置和提前接觸到測試文檔的學(xué)習(xí)機會。
3.監(jiān)督微調(diào)和檢索增強生成結(jié)合（RAFT）：結(jié)合了監(jiān)督式微調(diào)（SFT）和檢索增強生成（RAG），通過引用文檔中的相關(guān)段落來生成答案，同時在模擬的不完美檢索環(huán)境中進行訓(xùn)練，從而有效地為開卷考試設(shè)置做準(zhǔn)備。
省流版方案總結(jié):
RAFT: 在RAFT中，給定一個問題和一組檢索到的文檔，訓(xùn)練模型忽略那些無助于回答問題的文檔，即不相關(guān)的文檔，并引用相關(guān)文檔中的正確知識來回答問題。
RAFT方法步驟：
? 采用檢索增強型微調(diào)（RAFT）方法，訓(xùn)練模型識別并忽視那些分散注意力的文檔。
? 通過引用問題答案的相關(guān)文檔中的確切文本序列，實現(xiàn)對問題更準(zhǔn)確的回答。
?結(jié)合RAFT的思路鏈?zhǔn)剑╟hain-of-thought-style）響應(yīng)，提高了模型的推理能力。
RAFT方法概覽：
Figure 2: Overview of our RAFT method.
與傳統(tǒng)RAG不同，RAFT方法探索在訓(xùn)練過程中如何使用正負文檔集來調(diào)整大型語言模型（LLMs），它的核心思想是從一組正文檔和負文檔中讀取外部知識，讓大模型學(xué)習(xí)過濾非相關(guān)知識的能力。在測試時，所有方法都遵循標(biāo)準(zhǔn)的RAG設(shè)置，即在上下文中提供檢索到的前k個文檔。
總的來說RAFT方法通過模擬不完美的檢索環(huán)境和結(jié)合鏈?zhǔn)剿伎硷L(fēng)格的訓(xùn)練，提高模型在特定領(lǐng)域內(nèi)的RAG任務(wù)性能。通過這種方式，RAFT方法旨在提高模型的準(zhǔn)確性和魯棒性，使其在面對檢索到的文檔時能夠更好地識別和利用相關(guān)信息。
RAFT方法的關(guān)鍵特點包括：
1.區(qū)分正負文檔：在訓(xùn)練數(shù)據(jù)中，模型被提供了一個問題（Q）、一組文檔（Dk），以及一個由其中一個文檔（D?）生成的鏈?zhǔn)剿伎硷L(fēng)格的答案（A?）。這里的文檔被分為“正樣本”文檔（D?），即包含問題答案的文檔，和“干擾”文檔（Dk），即不包含答案相關(guān)信息的文檔。
2.訓(xùn)練數(shù)據(jù)的準(zhǔn)備：在數(shù)據(jù)集中的一部分（P%），保留正樣本文檔和干擾文檔；而在另一部分（1-P%）的數(shù)據(jù)中，只包含干擾文檔，不包含正樣本文檔。這樣的訓(xùn)練數(shù)據(jù)準(zhǔn)備方法迫使模型在某些情況下不依賴于文檔內(nèi)容來記憶答案，而是從上下文中推導(dǎo)答案。
3.生成推理過程：RAFT方法強調(diào)生成一個推理過程，如鏈?zhǔn)剿伎迹–hain-of-Thought），來解釋提供的答案。這包括引用原始上下文中的段落，并詳細解釋如何基于引用得出結(jié)論。
3 Conclusion
RAFT方法通過結(jié)合微調(diào)和檢索增強技術(shù)，顯著提高了大型語言模型在特定領(lǐng)域內(nèi)的性能。這種方法不僅提高了模型在提供上下文中解決問題的能力，還增強了模型對于干擾文檔的魯棒性，使其在實際應(yīng)用中更加可靠和有效。
Table 1: RAFT improves RAG performance forall specialized domains
總結(jié)：
? 與基礎(chǔ)的LLaMA2模型相比，RAFT在PubMed數(shù)據(jù)集上的性能提升了76.35%，在Torch Hub上提升了86.86%。
? 即使與特定領(lǐng)域的微調(diào)模型（DSF）相比，RAFT也顯示出更好的性能，尤其是在HotpotQA和HuggingFace數(shù)據(jù)集上，分別提升了30.87%和31.41%。
? 與更大的GPT-3.5模型+RAG相比，RAFT在某些數(shù)據(jù)集上也展現(xiàn)了顯著的優(yōu)勢。
二、詳細內(nèi)容
1 RAFT示例
Figure 3: RAFT prompt to help LLM evaluate its own generated reasoning and answers, contrasting them with the correct reasoning and answers.
該示例說明了如何通過提供問題、上下文和答案來訓(xùn)練大型語言模型（LLMs）生成合理的推理鏈，并據(jù)此給出答案。這個過程中，模型被要求識別和引用正確的文檔內(nèi)容來形成答案，并且能夠評估自己生成的推理和答案的正確性。
1.問題（Question）: 模型被給定一個問題，例如："The Oberoi family is part of a hotel company that has a head office in what city?"
2.上下文（Context）: 與問題相關(guān)的一組文檔或信息片段，上下文有相關(guān)的參考信息，也有非相關(guān)的干擾信息。在這個例子中，上下文提供了關(guān)于Oberoi家族和他們在酒店業(yè)的參與的信息，以及Oberoi集團的總部位置。
3.答案（Answer）:最終的答案。
4.推理鏈（Chain-of-Thought, CoT）: 模型生成的推理過程，它解釋了如何從上下文中得到答案。在這個例子中，推理鏈引用了上下文中的兩個關(guān)鍵信息片段，并解釋了如何根據(jù)這些引用得出Oberoi集團總部位于德里。
5.指令（Instruction）: 指導(dǎo)模型如何生成推理鏈的指令。在這個例子中，指令要求模型使用特定的格式來提供推理，即在##Reason##和##Answer##之間插入引用的上下文和最終答案。
通過這種方式，RAFT方法不僅訓(xùn)練模型從文檔中提取和利用相關(guān)信息來回答問題，而且還訓(xùn)練模型生成詳細的推理過程，這有助于提高模型的透明度和可解釋性。此外，這種方法還鼓勵模型自我評估，并從中學(xué)習(xí)改進。這種自我評估的過程有助于模型在未來的任務(wù)中提高性能和準(zhǔn)確性。
2 COT的作用（消融實驗）
Table 2: Ablation on Chain-of-Thought
1.數(shù)據(jù)集（Datasets）:
? PubMed: 專注于生物醫(yī)學(xué)研究問題的問答數(shù)據(jù)集。
? HotpotQA: 一個需要多步推理的問答數(shù)據(jù)集。
? HuggingFace: 來自 Gorilla API Bench 的數(shù)據(jù)集，涉及基于文檔生成正確的 API 調(diào)用。
? Torch Hub: 類似于HuggingFace，也是一個API調(diào)用的數(shù)據(jù)集。
? TensorFlow Hub: 另一個衡量API調(diào)用能力的基準(zhǔn)數(shù)據(jù)集。
2.實驗配置（Model Configurations）:
?RAFT w.o CoT: 應(yīng)用了 RAFT 方法但沒有使用 Chain-of-Thought 的模型。
?RAFT: 應(yīng)用了 RAFT 方法并結(jié)合了 Chain-of-Thought 的模型。
3.效果分析（Performance）:
? 在大部分列出的數(shù)據(jù)集上，使用 CoT 的 RAFT 模型（RAFT）相比于沒有使用 CoT 的 RAFT 模型（RAFT w.o CoT）都展現(xiàn)出了更好的性能。
? 在 HotpotQA 數(shù)據(jù)集上，使用 CoT 的性能提升尤為顯著，從 25.62% 提升到了 35.28%，增益為 9.66%。
? 在 HuggingFace 數(shù)據(jù)集上，使用 CoT 的性能提升也很明顯，從 59.07% 提升到了 74.00%，增益為 14.93%。
CoT方法顯著提高了模型在特定領(lǐng)域內(nèi)的性能，特別是在處理需要詳細推理和解釋的任務(wù)時。通過生成詳細的推理鏈并引用上下文，模型能夠更清晰地解釋其答案，從而提高了答案的準(zhǔn)確性和可解釋性。這表明CoT是提高模型性能的一個重要組成部分，尤其是在需要模型進行深入理解和推理的復(fù)雜任務(wù)中。
3 RAFT方法與特定領(lǐng)域微調(diào)（DSF）方法對比
Figure 4: Comparison of RAFT and DSF
1.問題（Question）:
? 給定一部電影，和相關(guān)Documents，詢問編劇是誰？
2.文檔（Documents）:
? 提供了包含相關(guān)信息的文檔片段，其中提到了編劇David Weissman及其參與的電影作品，包括“Evolution”。
3.RAFT模型的輸出:
? RAFT模型正確地從文檔中提取了信息，并識別出David Weissman是“Evolution”的編劇。RAFT模型生成的推理鏈清晰地引用了文檔中的相關(guān)信息，并據(jù)此給出了正確答案。
4.DSF模型的輸出:
? 相比之下，DSF模型在處理相同的問題和文檔時出現(xiàn)了錯誤。DSF模型錯誤地提取了電影名稱作為編劇。
結(jié)論是，RAFT方法通過結(jié)合鏈?zhǔn)剿伎己蜕舷挛囊?，特別在需要理解和利用提供文檔內(nèi)容的任務(wù)上，提高了模型在特定領(lǐng)域問題上的表現(xiàn)。另外也說明在訓(xùn)練過程中對文檔理解和推理COT的重要性，有助于模型在實際應(yīng)用中更準(zhǔn)確地處理和回答問題。
4 訓(xùn)練過程中正確樣本（外部檢索的知識）的比例（P%）對模型性能的影響
Figure 5: How many golden documents to involve?
實驗說明：橫軸表示訓(xùn)練數(shù)據(jù)中包含正確樣本的比例，從0%到100%，縱軸表示模型在測試時的最終準(zhǔn)確率。
實驗結(jié)論：在訓(xùn)練大型語言模型時，合理平衡正確樣本和非正確樣本的比例對于提高模型在特定領(lǐng)域RAG任務(wù)上的性能至關(guān)重要。通過調(diào)整這一比例，可以使模型更好地學(xué)習(xí)如何處理和利用相關(guān)文檔信息，同時避免過度依賴特定樣本，從而提高模型的泛化能力和魯棒性。
5 推理時不同數(shù)量的干擾文檔對模型性能的影響
Figure 6: Test-Time Documents Varying
說明："D*"、"D1"、"D2"、"D3"等符號代表了在訓(xùn)練過程中使用的不同組合的文檔數(shù)量，"D*"代表包含正確答案信息的文檔，這些文檔是回答問題所必需的，包含了解決問題的關(guān)鍵信息。"D1"、"D2"、"D3"等代表干擾文檔，這些文檔不包含回答問題所需的相關(guān)信息。在訓(xùn)練過程中，這些干擾文檔被用來模擬真實世界中的情況，即模型在嘗試從檢索結(jié)果中找到正確答案時，可能會遇到大量不相關(guān)的信息。
總結(jié)：
1.訓(xùn)練數(shù)據(jù)配比的重要性，并非所有情況都適合使用相同數(shù)量的干擾文檔進行訓(xùn)練。例如，在某些數(shù)據(jù)集上，訓(xùn)練時使用一個“正樣本”文檔加上三個干擾文檔（D* + 3D）可能會獲得最佳性能，而在其他數(shù)據(jù)集上，可能需要調(diào)整這個比例。
2.在訓(xùn)練過程中模擬真實檢索環(huán)境的重要性。通過在訓(xùn)練中包含不同數(shù)量的干擾文檔，模型可以學(xué)習(xí)在測試時如何處理檢索器可能返回的不確定數(shù)量的文檔，包括正確和錯誤的信息，在有些任務(wù)上可以顯著提升效果。
本文轉(zhuǎn)載自?? NLP PaperWeekly??，作者： NLP PaperWeekly
