斯坦福新研究：RAG能幫助LLM更靠譜嗎？ 精華
大語言模型（LLM）雖然功能強大，但容易出現幻覺。
此外，它們受限于其訓練語料庫中包含的知識，因此無法回答有關近期事件或公開受限信息的查詢。
為了解決上述問題，檢索增強生成（RAG）是一種常用的框架，它在LLM的提示中提供相關檢索內容，獲得相關信息的參考文檔或數據庫，并可以顯著提高模型的準確性。
大多數商業LLM，如ChatGPT、Gemini和Perplexity.ai，已經在它們的Web界面中采用了某種版本的RAG。
例如，ChatGPT使用Bing搜索，而Gemini訪問Google搜索結果。
但當語言模型內部知識與通過RAG提供的信息之間的不一致時，或者當網絡結果不斷變化，并且可能包含過時、錯誤或有害的信息時，這個問題就變得更加復雜了。
因此，對啟用RAG的LLM行為進行客觀評估，與對它們的非RAG對應物進行基準測試同樣重要，特別是目前RAG系統越來越依賴于在眾多領域提供事實信息。
量化LLM和RAG之間的關系
在斯坦福的最新研究中，研究工作旨在量化LLM的內部知識與RAG設置中呈現的檢索信息之間的緊張關系。
沒有上下文（即沒有RAG），測試的語言模型平均只能正確回答34.7%的問題。有了RAG，準確率提高到了94%。
「先前」指的是沒有上下文的GPT-4響應，「帶RAG」指的是在提示中包含了相關檢索到的上下文的響應。
此外，還包括了先驗概率與RAG偏好率之間關系的斜率。例如，平均斜率為-0.23，這意味著每當先驗token的概率增加10%，RAG偏好率的下降可能性為2.3%。
為了區分這兩種相互競爭的力量，研究人員對GPT-4和其他大語言模型（LLM）進行了測試，使用了六組不同的問題，總共超過1200個問題。
當提供正確的參考信息時，這些模型正確回答了94%的問題。
然而，當參考文檔逐漸被錯誤的值修改時，如果模型自身在該主題上的預訓練知識較弱，LLM重復錯誤信息的可能性就更高。
當預訓練知識更強時，模型更能抵抗錯誤的參考信息。
根據參考文檔中信息的錯誤程度，大語言模型（LLM）會通過檢索增強生成（RAG）引用或從其知識庫中輸出錯誤答案。
當修改后的信息與模型認為合理的情況偏離得更厲害時，出現了類似的模式：偏離越不切實際，大語言模型（LLM）就越依賴于自己的預訓練知識。
盡管RAG系統可以顯著提高語言模型的事實準確性，但它們并不是對抗錯誤信息的萬能藥。
上述實驗說明使用高質量參考數據的RAG可以顯著提高LLMs的準確性。
此外，模型的良好訓練先前知識有助于識別和忽略不切實際的信息。
RAG提示強度和模型先驗知識之間的博弈
另外遵守參考信息的提示強度也產生了影響：更強烈的提示導致模型更有可能遵循參考信息。
相反，當提示不那么嚴格，模型有更多的自由度來衡量其先前知識與參考信息時，遵循參考信息的可能性就會降低。
大語言模型（LLM）訪問檢索增強生成（RAG）數據的方式會影響從參考中提取信息的準確性。
為了實現盡可能高的準確性，必須非常清楚地告知LLM，它應該只從參考中獲取數據。
讓RAG能更好地輔助LLM
RAG系統相對于傳統搜索引擎具有獨特的吸引力，它們可以結合先驗知識來填補空白并推斷檢索到的信息。
但這伴隨著權衡——即，這樣的先驗知識可以覆蓋文檔中提供的信息。
雖然強大的先驗知識本身并不是問題（通?？梢员Ｗo模型），但缺乏關于模型如何混合RAG參考文檔和它們先驗知識的明確預期，可能導致下游結論不準確的問題。
例如，RAG系統被用來提取嵌套的財務數據以用于算法，如果財務文檔中有一個錯別字會發生什么？模型會注意到錯誤嗎？如果是，它會提供什么數據來代替？
鑒于LLM即將在包括醫學和法律在內的許多領域廣泛部署，用戶和開發者都應該意識到它們的意外效果，并給出預案。
用戶需要更加了解模型如何處理潛在的沖突或錯誤信息，以及RAG系統和LLM一樣，也可能出錯。
本文轉自新智元 ，作者：新智元
