3 posts tagged with "LLM"

近年来，检索增强生成（RAG）作为一种利用外部知识增强大型语言模型（LLM）的方法变得越来越流行。

原始RAG及其工作过程​

RAG使得LLM可以在以前未见过的数据上使用，而无需进行微调。 此外，通过利用外部语料库的独立检索组件，自然语言形式的知识可以完全卸载LLM的参数化内存。

RAG 工作过程：​

• 查询编码器：将用户查询编码成适合搜索文本段落或文档数据库的数值表示。
• 检索器：使用查询编码器生成的向量搜索索引文档的外部数据库。检索单据中基于所选搜索算法的前 K 个最相关文档。
• 生成器：大型语言模型根据检索器选择的文档和输入查询生成输出。

LongRAG背后的直觉​

在《LongRAG: Enhancing Retrieval-Augmented Generation with Long-context LLMs》一文中， 滑铁卢大学的研究人员通过对检索过程进行修改提出了以下建议：

• 将每个文档的标记大小从原始RAG中的100个标记扩展到LongRAG中的4,000个标记。
• 将焦点从在原始RAG中准确定位与用户查询相关的精确信息转移到在LongRAG中选择包含相关但未必精确信息的文档。

这样做的原因是从检索精确、小片段信息过渡到选择更大、上下文更丰富且语义完整的片段。 这种调整减轻了检索员的负担，并更均匀地分配了检索员和生成器之间的任务。 因此，LongRAG充分利用了最新LLM的扩展上下文能力，它们作为生成器， 从最近对处理长上下文的显著增强中受益。

LongRAG如何运作：架构​

LongRAG 对原始 RAG 进行了三项架构更新：

• 长检索单元：LongRAG 使用了检索单元，其范围包括整个文档或一组文档， 而不是从大型文档中截取 100 个标记，这遵循了论文中提出的Group Documents Algorithm。 此次单元大小增加到 4K，将维基百科语料库从 22M 减少到 600K 的检索单元。
• 长检索器：为进一步处理识别长检索单元。
• 长读者（生成器）：从长检索单元中提取答案。这是一个以用户查询及长检索单元为提示的 LLM。

这是 LongRAG 逐步运作的方式​

1. Retrieval（在原始论文中命名为Long Retriever）：

   • 编码: 两个编码器将输入问题和检索单元分别映射到一个d维向量。
   • 形成长的检索单元: 分组文档算法涉及创建相关文档的组。每个文档基于连接性与相关文档分组，不超过指定的最大组大小。这种分组能够更有效地检索相关信息，因为相关文档一起处理。
   • 相似性搜索: 编码步骤中的向量用于计算问题和检索单元之间的相似性，当选择相关的长检索单元时。
   • 结果汇总: 最相关的顶部组被汇总，形成对查询的全面响应，根据其大小调整包括的组数量。

2. 生成（原始论文中称为 Long Reader）：LLM（长期记忆模型）使用用户查询和来自检索步骤的聚合结果生成最终输出。 长文阅读器中使用的LLM应能处理长文本，并且不展现出过度的位置偏见。

LongRAG的优势​

LongRAG 通过将维基百科处理成 4,000 个令牌单位来优化检索，将数量从 2,200 万减少到 60 万。 单位大小的增加意味着减少了许多单位的召回需求，避免了截断，并保留了更多上下文。 更长的单位有助于通过整合全面信息直接回答复杂问题。

LongRAG 框架实现了令人印象深刻的提取分数，并且与最先进模型具有可比的结果， 无需额外训练，展示了将 RAG 与长上下文 LLMs 结合的效率和潜力。

以下是对LongRAG实施的一些关键结果：​

• Recall@1：在自然问题（NQ）数据集上提高至71％，而之前为52％。
• Recall@2：在HotpotQA数据集（完全维基）上提高至72％，而之前为47％。
• Exact Match（EM）：在NQ上取得62.7％的EM得分，在HotpotQA（完全维基）上为64.3％， 表现与最先进模型不相上下。

资源​

• 原始RAG论文：用于知识密集型自然语言处理任务的检索增强生成
• LongRAG论文：LongRAG：使用长上下文LLMs增强检索增强生成
• LongRAG GitHub：https://github.com/TIGER-AI-Lab/LongRAG/
• LongRAG数据集：https://huggingface.co/datasets/TIGER-Lab/LongRAG
• 与Hugging Face上的作者讨论：论文页面 - LongRAG：使用长上下文LLMs增强检索增强生成

我们讨论RAG的局限性，并探讨图RAG方法的优势，同时澄清术语并提供资源列表。

当AI悲观主义者谈论末日和AI接管时，他们常常忽略即使是最先进的语言模型也难以基于复杂的连接进行推理和得出结论。 另一个问题是训练或微调（适应您的数据）大型语言模型（LLMs）的成本极高。

图RAG（检索增强生成）方法解决了这两个问题，并且是我们之前讨论的原始RAG技术的升级版。让我们来探索这些图表！

在今天的讨论中，我们将涵盖：

1. 回顾原始RAG的基础知识
2. 原始RAG的局限性
3. 图RAG方法登场
4. 图RAG特别擅长什么？
5. 术语澄清：“图RAG”与“知识图谱RAG”
6. 额外资源

回顾原始RAG​

让我们简要回顾一下RAG背后的关键概念。

此方法允许在不需要微调的情况下使用LLM处理之前未见过的数据。

在RAG设置中，数据以向量形式存储在外部数据库中。

使用RAG，LLM从中检索必要的信息，并根据检索到的事实回答用户查询。

RAG通过避免数据更新时的持续微调节省资源，同时也使外部数据库的动态数据控制变得容易。

原始RAG的局限性​

原始RAG方法使用向量相似性作为搜索技术。

这被认为是一项强大的技术，改变了我们访问信息的方式，并且是传统搜索引擎的宝贵更新。

然而，它也有局限性，尤其是在理解向量相似性的本质时。

Pinecone的向量嵌入

您可能还记得我们之前探讨过变压器时提到的向量或词嵌入。

这些嵌入是单词的密集向量表示，捕捉了语义和句法关系。

它们使语言模型能够通过将单词表示为向量空间中的点来量化语义相似性，从而学习单词之间的关系。

向量相似性是一种用于衡量关系的指标，计算方法包括欧几里得距离、余弦相似性和点积相似性，每种方法都有其优缺点。

然而，向量相似性仅根据其与用户查询的相似性找到答案。

在需要结合各种信息或答案不明确存在于单个文档中的情况下， 这种方法在更复杂的系统中表现出局限性，导致原始RAG模型的限制。

图RAG方法的作者写道： “RAG在针对整个文本语料库的全局问题（如‘数据集的主要主题是什么？’）上失败， 因为这本质上是一个面向查询的摘要任务，而不是明确的检索任务。”

同时，先前的QFS方法无法扩展到典型RAG系统索引的大量文本。

图RAG方法有效解决了更复杂的查询问题。

图RAG方法登场​

图RAG方法由微软研究人员于2024年4月提出。

与原始RAG不同，此方法将数据组织成图结构，表示文本数据及其相互关系。

图RAG演示图片

图RAG的工作原理如下：

1. 源文档 → 文本块：首先将外部数据库中的原始文本分割成较小的、可管理的块。
2. 文本块 → 元素实例：使用LLM和针对数据库领域量身定制的提示，图RAG从每个文本块中识别并提取实体（如人、地点、组织）及其关系。
3. 元素实例 → 元素摘要：使用另一组LLM提示生成每个实体和关系的简短描述，以总结初始原始文本数据。
4. 元素摘要 → 图社区：使用总结的实体和关系构建知识图谱，其中节点表示实体，边表示关系。然后对该图应用社区检测算法（如Leiden算法），以识别紧密相关节点的社区。
5. 图社区 → 社区摘要：然后独立总结每个检测到的社区，生成其代表的主题和信息的综合概述。
6. 社区摘要 → 社区答案 → 全局答案：当用户提交查询时：

• 首先根据内容和与查询的关系识别相关的社区摘要。
• 使用LLM为每个相关社区摘要独立生成中间答案。
• 然后汇编这些中间答案，评估其相关性和帮助性（有时由LLM评分），并综合成最终的全局答案返回给用户。

通过基于图的索引和社区聚焦的摘要，图RAG是RAG系统中处理面向查询的摘要的宝贵补充。

图RAG特别擅长什么？​

使用图RAG的主要优势包括：

1. 增强的相关性：图RAG通过将数据结构化为知识图谱，识别与用户查询最相关的信息簇。
2. 高效性：图RAG根据图结构搜索相关数据部分，相比于每次查询都处理整个数据集，减少了计算工作量。
3. 全面的响应：系统可以综合来自多个文档的信息，创建比单一文档响应更全面且上下文丰富的答案。
4. 可扩展性：通过利用基于图的结构，图RAG能够高效处理大规模数据集，使其在大信息库中既可扩展又有效。
5. 动态学习：随着更多数据添加或更新到图中，图RAG可以适应和改进其响应，适用于动态和不断演变的数据集。

术语澄清：“图RAG”与“知识图谱RAG”​

“图RAG”和“知识图谱RAG”这两个术语经常互换使用，

因为它们都指利用知识图谱增强AI响应准确性和相关性的检索增强生成（RAG）方法。

实际上，大多数利用图结构进行检索的RAG系统本质上都在使用某种形式的知识图谱，即使它没有明确标示为知识图谱。

关键区别在于所使用的图表示的复杂性和正式程度。

额外资源​

原始资源​

图RAG于2024年4月发布，并承诺很快将在官方网站和GitHub上作为开源项目发布。

• 网站：GraphRAG项目 - 微软研究：概述
• 博客文章：GraphRAG：在私有叙述数据上解锁LLM发现 - 微软研究
• 文章：从局部到全局：面向查询的图RAG方法

实现​

虽然原始实现尚未可用，但有一些关于如何使用知识图谱与LLM结合的教程：

• LlamaIndex的知识图谱RAG查询引擎
• 使用知识图谱实现RAG应用程序
• 课程：RAG的知识图谱
• 通过构建和利用知识图谱来提升基于 RAG 的应用程序准确性
• GraphRAG：通过知识图谱增强传统RAG方法
• GraphRAG 逐步教程
• KG_RAG：使用基于知识图谱的检索增强生成（KG-RAG）为知识密集型任务增强大型语言模型（LLM）

要点总结​

1. 原始RAG方法​

• 定义: RAG（检索增强生成）方法允许在不进行微调的情况下使用LLM处理新数据。数据以向量形式存储在外部数据库中，LLM根据检索到的信息回答用户查询。
• 优点: 避免持续微调，便于动态数据控制。

2. 原始RAG的局限性​

• 向量相似性: 使用向量相似性进行搜索，但只能根据与用户查询的相似性找到答案，难以处理需要综合多种信息的复杂系统。
• 全局问题: 无法处理针对整个文本语料库的全局问题，例如数据集的主要主题。

3. 图RAG方法​

• 提出者: 微软研究人员，2024年4月。
• 工作原理:
  1. 文本分块: 将原始文本分割为较小的块。
  2. 元素实例: 识别并提取每个文本块中的实体及其关系。
  3. 元素摘要: 生成实体和关系的简短描述。
  4. 图社区: 构建知识图谱，应用社区检测算法识别社区。
  5. 社区摘要: 独立总结每个社区，生成综合概述。
  6. 查询响应: 根据用户查询识别相关社区摘要，生成中间答案并综合成全局答案。

4. 图RAG的优势​

• 增强的相关性: 通过知识图谱识别与用户查询最相关的信息簇。
• 高效性: 根据图结构搜索相关数据部分，减少计算工作量。
• 全面的响应: 综合来自多个文档的信息，创建全面且上下文丰富的答案。
• 可扩展性: 处理大规模数据集，适用于大型信息库。
• 动态学习: 适应和改进响应，适用于动态和不断演变的数据集。

5. 术语澄清​

• 图RAG与知识图谱RAG: 这两个术语常常互换使用，都指利用知识图谱增强AI响应准确性和相关性的RAG方法。关键区别在于所使用的图表示的复杂性和正式程度。

图RAG方法通过基于图的索引和社区聚焦的摘要，

解决了原始RAG方法的局限性，为处理面向查询的复杂摘要提供了高效、可扩展和动态的解决方案。

来自常见信息来源的有趣新闻和每周最佳研究论文列表

一场新的工业革命正在展开，由AI工厂的兴起所驱动。 这些设施正在改变各个层级的计算，从庞大的数据中心到日常使用的笔记本电脑，很可能很快就会转变为AI笔记本电脑。 在2024年Computex大会上，Jensen Huang强调了这种转变， 指出需要整个行业的合作：硬件供应商、软件开发商和企业需要共同努力，从数据中心转型为AI工厂。 Jensen Huang表示，这种转变不仅仅是技术上的，还涉及到重塑整个计算领域。他通常对自己的言论非常自信。

在Nvidia的预先简报会上，高管们强调了AI PC的重大关注点，这项技术是Nvidia在六年前（2018年）引入的。 这个创新在游戏、内容创作和软件开发等领域引发了革命性变化。

AI PC在过去六年间并未广泛讨论，但现在——得益于微软和Nvidia——它们正在变得无处不在，并与关于新工业革命的对话一起进行。 尽管我们仍处在起步阶段，但确实需要回顾历史。 2018年和2019年初，另一重大事件震撼了机器学习社区。 这一事件促成了突破性的里程碑：ChatGPT。让我们一起回顾这一时间线：

• 2018年，生成预训练变换模型（GPT）的创建引发了—>
• 2019年2月，GPT-2——一个拥有15亿参数的大型语言模型。 由于担心滥用，GPT-2未完全公开，仅提供了一个小得多的模型供研究人员实验，并附有一篇技术论文，随后引发了—>
• 2020年，GPT-3和论文《语言模型是少量样本学习者》，进而演变为—>
• 2022年，GPT-3.5和其微调版本InstructGPT，并附有研究论文《通过人类反馈训练语言模型遵循指令》。
• 2022年11月，ChatGPT。其训练方式与InstructGPT非常相似， 其背后的魔力基于研究论文《基于人类偏好的深度强化学习》，这种技术称为基于人类反馈的强化学习（RLHF）。

现为Anthropic联合创始人、前OpenAI政策主管的Jack Clark今天反思了GPT-2的发布，他形容这是“时光旅行的一个例子”。 2019年，OpenAI因担心滥用而决定不完全公开GPT-2，这一决定在AI社区引发了热烈辩论。这场辩论的核心在于平衡创新与伦理责任。 批评者认为，保留模型可能会减缓科学进步，而支持者赞扬OpenAI的谨慎态度。

Jack认为，偏离常规可能引发反作用。 通过逐步发布GPT-2，OpenAI无意中激发了开发开源GPT-2级系统的兴趣，因为其他人希望填补这一空白。 如果GPT-2一开始就完全发布，可能会有更少的复制，因为更少的人会感到有必要证明OpenAI的错误。

在Clark对那段动荡时期的回忆中，有许多有趣的问题。虽然值得全文阅读，但以下是一些值得注意的引言：

• “即使你能想象某事在技术上是可能的，你也不太可能正确预测它到来的时间或其严重性。”

• “我逐渐相信在政策上‘一点点就能产生巨大影响’——比起对特定未来设计的想法进行自信的押注， 提倡那些在所有未来中你认为是稳健的好想法要好得多。”

• “我们应该害怕这些监管思想所编码的权力结构，并且我们应该将它们视为本身具有危险性的东西。 我担心，与长期AI安全和AGI愿景一致的AI政策社区因为赋予未来AGI毁灭人类极高的概率， 就认为这可以证明当前的任何行动是正当的。”

• “五年后，因为像GPT-2这样的事情，我们正处于AI部门的大规模工业化之中，以响应这些想法的规模化。 现在，有一种强烈的似曾相识感——人们（包括我）正在关注像Claude 3或GPT-4这样的模型， 并对这些系统的技术含义以及进一步扩展它们的含义发表自信的言论，有些人正在利用这些含义来证明在当前实施越来越严格的政策制度的必要性。 我们是否在重复五年前犯下的错误？”

我们没有答案，但可以对这场由扩展定律推动、现在由AI工厂推动的新工业革命发表一些自信的言论。 像Jensen Huang这样的人认为，我们正处于重新定义技术可能性的时刻。 你怎么看？要看到未来的大局，我们——一如既往——鼓励你了解过去。

附加阅读： 甚至像Andrej Karpathy那样与过去玩耍：他刚刚发布了一种快速且成本效益高的方法来训练GPT-2模型。 使用8xA100 GPU训练一个小型GPT-2（124M参数）需要90分钟和20美元。 350M版本需要14小时和200美元，而完整的1.6B模型需要一周和2500美元。 该方法使用Karpathy的llm.c库，它利用纯C/CUDA进行高效LLM训练，无需大型框架。

来自常见信息来源的新闻​

2024年初的AI现状​

• 根据麦肯锡的说法，生成式AI的采用正在激增，开始产生可观的价值。

OpenAI的：威胁行为者、安全委员会和回归机器人学

• OpenAI发布了一份详细报告，强调其AI模型在俄罗斯、中国、伊朗和以色列威胁行为者的隐蔽影响行动中被使用。 这些行动旨在操纵公众舆论和政治结果，但尽管内容生成增加，但在吸引真实受众方面效果不佳。 作为回应，OpenAI实施了诸如禁止账户、分享威胁指标和加强安全协议等措施。 值得注意的活动包括“Bad Grammar”（俄罗斯）、“Doppelganger”（俄罗斯）、“Spamouflage”（中国）、“IUVM”（伊朗）和“Zero Zeno”（以色列）。 这强调了AI在进行和防御隐蔽信息操作中的双重角色，突显了全面防御策略的必要性。

• 他们还成立了一个安全和安保委员会，以解决关键的安全问题。 该委员会由Bret Taylor、Adam D’Angelo、Nicole Seligman和Sam Altman领导， 负责在90天内提出安全建议，并咨询网络安全专家。 这些建议将公开分享，以确保OpenAI项目的强健安全和安保措施。

• 其他新闻中，OpenAI重新启动了其机器人团队，并正在招聘。 回顾过去（也是2018年）：学习灵巧的手部操作。 当时，他们开发了一个名为Dactyl的系统，该系统完全在模拟中训练， 但已被证明能够解决不依赖物理精确建模的现实任务。

Claude 3增强工具集成​

• Claude 3模型系列现在支持工具使用， 能够与Anthropic Messages API、Amazon Bedrock和Google Cloud的Vertex AI上的外部工具和API进行交互。

NVIDIA的新AI芯片：Vera Rubin​

• 在Computex大会上，NVIDIA CEO Jensen Huang在主题演讲中宣布了名为Vera Rubin的AI芯片（以发现暗物质的美国天文学家命名），计划于2026年推出。 该新芯片将配备为AI应用设计的最先进的GPU和CPU。 NVIDIA计划每年升级其AI加速器，从2025年的Blackwell Ultra开始，重点在于成本和能源效率。

• 他们还推出了地球气候数字双胞胎，能够不仅预测而且了解我们的星球及其气候的现状。

Mistral AI推出Codestral​

• Mistral AI的研究人员推出了Codestral，一个22B开源权重的生成式AI模型，专为代码生成而设计。 支持超过80种编程语言，Codestral在代码补全和测试编写等任务中表现优异，在长距离代码库级别代码补全方面优于其他模型。 通过HuggingFace提供用于研究和测试的访问，Codestral还与VSCode和JetBrains等流行工具集成，提升开发者生产力。

最新的研究论文，按类别分类以便查阅​

我们的前三名​

法国人了解他们的醒酒 → Hugging Face推出🍷 FineWeb

在博文“🍷 FineWeb：醒酒网络以获取最优质的文本数据规模”中， 研究人员介绍了一个从CommonCrawl快照中提取的15万亿标记的大型数据集。 FineWeb专为LLM预训练设计，通过细致的去重和过滤，强调高质量数据。 他们还开发了FineWeb-Edu，一个优化教育内容的子集，在教育基准

上表现优于现有数据集。他们还使这篇博文成为病毒式传播！ 一如既往，向Hugging Face致敬，感谢他们对开放、透明方法的关心， 创建大规模高质量数据集用于LLM训练，以及对葡萄酒的热爱（但这只是一个假设）。

Mamba-2来了！变压器是SSM**：通过结构化状态空间对偶性实现通用模型和高效算法**

来自普林斯顿大学和卡内基梅隆大学的研究人员揭示了变压器和状态空间模型（SSM）之间的深层理论联系。 他们引入了一个名为结构化状态空间对偶性（SSD）的框架，表明SSM可以像变压器一样高效。 他们设计了Mamba-2，一个精细的SSM架构，其速度是前身Mamba的2-8倍（了解Mamba）。 Mamba-2在语言建模任务中仍与变压器竞争，同时优化了内存和计算效率。

视觉语言模型（VLMs）简介

来自Meta、Mila、MIT等知名机构的研究人员介绍了VLMs，解释了它们的功能、训练和评估。 他们强调了在对齐视觉和语言方面的挑战，例如理解空间关系和属性。 论文将VLMs分类为不同的家族，基于对比、掩蔽和生成技术等训练方法。 它还讨论了使用预训练的骨干来增强模型性能，并探索了将VLMs扩展到视频数据以改善时间理解。

AI模型增强​

• 变压器可以通过正确的嵌入进行算术 - 使用新颖的嵌入技术提高变压器的算术能力 →阅读论文

• Trans-LoRA：数据无关的可迁移参数高效微调 - 提高参数高效模型的可迁移性，无需原始数据 →阅读论文

• LOGAH：使用图超网络以1/100参数预测774百万参数变压器 - 利用图网络高效预测大型模型参数 →阅读论文

• 2BP：两阶段反向传播 - 提出一个两阶段的反向传播过程，以提高计算效率 →阅读论文

• LLAMA-NAS：用于大型语言模型的高效神经架构搜索 - 使用神经架构搜索找到高效的模型配置 →阅读论文

• VeLoRA：使用秩-1子标记投影进行内存高效训练 - 通过创新的数据投影技术减少训练期间的内存需求 →阅读论文

• Zipper：融合模态的多塔解码器架构 - 使用多塔架构在生成任务中高效集成不同模态 →阅读论文

• NV-Embed：用于通用嵌入模型训练的改进技术 - 提高嵌入训练的质量，以增强检索和分类任务 →阅读论文

• JINA CLIP：你的CLIP模型也是你的文本检索器 - 使用对比训练提高CLIP模型在文本-图像和文本-文本检索任务中的表现 →阅读论文

AI在多模态和专门任务中的应用​

• Matryoshka多模态模型 - 通过嵌套视觉标记提高多模态模型的效率 →阅读论文

• Zamba：一个紧凑的7B SSM混合模型 - 结合状态空间和变压器模型，创建一个紧凑高效的混合模型 →阅读论文

• 相似性不是全部：赋予检索增强生成系统多层次思维 - 在检索增强生成系统中整合更深的上下文理解 →阅读论文

AI伦理、隐私和对齐​

• 离线正则化强化学习用于LLM对齐 - 通过强化学习对齐AI行为与人类意图 →阅读论文

• 价值激励偏好优化：统一的在线和离线RLHF方法 - 提出一种适用于在线和离线环境的人类反馈学习新方法 →阅读论文

• 鹦鹉：使用语义变量高效提供LLM应用服务 - 利用应用级信息优化语言模型应用服务 →阅读论文

• 创新与隐私的交叉点：生成式AI的私有合成数据 - 探索在AI训练中维护隐私的技术 →阅读论文

AI的认知能力​

• LLMs在高级心理理论任务中达到成人水平 - 评估大型语言模型执行复杂认知任务的能力，比较其与人类的表现 →阅读论文