LLM之RAG实战（四）：Self-RAG如何革命工业LLM

       

论文地址：https://arxiv.org/pdf/2310.11511.pdf

Github地址：https://github.com/AkariAsai/self-rag

       尽管LLM（大型语言模型）的模型和数据规模不断增加，但它们仍然面临事实错误的问题。现有的Retrieval-Augmented Generation (RAG)方法可以通过增强LLM的输入来减少知识密集任务中的事实错误，但可能会影响模型的通用性或引入无关的、低质量的内容。

       让我们了解一下Self-RAG是如何有效提升的？

       大型语言模型（LLM）将彻底改变各个行业。让我们以金融部门为例，LLM可以阅读大量文件，并在很短的时间内找到趋势，而成本仅为分析师执行相同任务成本的一小部分。但问题是，得到的答案很多时候只是部分的或不完整的。例如，一份包含X公司过去15年的年收入的文件，但分为不同的部分。在如下图所示的标准检索增强生成（RAG）架构中，通常检索前k个文档，或者选择固定上下文长度内的文档。

      然而，这可能有几个问题。一个问题是，前k个文件并不包含所有答案——例如，可能只对应于过去5年或10年。另一个问题是，计算文档块和提示之间的相似性并不总是产生相关的上下文。在这种情况下，可能会得到一个错误的答案。

      还有一个问题是，普通的RAG应用程序在简单的示例中表现比较良好，但如果超过一定范围的问题就回答不了了。

      self-RAG使用了一种巧妙的方法，通过按需检索和自我反思来改进LLM的生成质量。 self-RAG会训练一个任意的LM（比如Llama2–7B和13B），使其能够反思自己的生成过程，并生成任务输出和中间的特殊tokens（reflection tokens）（比如[Retrieval], [No Retrieval], [Relevant], [Irrelevant], [No support / Contradictory], [Partially supported], [Utility]等）。这些reflection(反思) tokens被分类为检索tokens和批评tokens，分别表示需要检索的需求和其生成质量。

Table-1 展示了一个名为 "SELF-RAG" 的系统中使用的四种反思tokens的类型：

① Retrieve：这是一个决策过程，它决定了是否从某个资源 R 中检索信息。

② IsREL：这是一个相关性检查，目的是确定给定的数据 d 是否包含解决问题 x 所需的相关信息。

③ IsSUP：这是一个验证过程，用于检查提供的响应 y 中的声明是否得到了数据 d 的支持。

④ IsUSE：这是一个评估过程，旨在评估给定的响应 y 对于问题 x 有多么有用。输出是一个从1到5的评分，5分代表最有用。

一、Self-RAG实施步骤

      根据上图，可以分为两部分：RAG 和 Self-RAG，我们分别来看一下：

1.1 常规方法 RAG

Retrieval-Augmented Generation (RAG)

Step 1: 基于一个特定的提示（例如：“How did US states get their names?”）从数据源中检索K个文档。

Step 2: 使用这K个检索到的文档来引导语言模型(LM)生成答案。

1.2 新的方法 Self-RAG

Self-reflective Retrieval-Augmented Generation (Self-RAG)

Step 1: 基于同样的提示，按需进行检索。这意味着可能不是一次性检索所有文档，而是根据需要逐个检索。

Step 2: 并行生成各个段落，每个提示后都跟着一个检索到的文档。例如，Prompt + 1会生成与第一个文档相关的内容，同理，Prompt + 2和Prompt + 3也是如此。

Step 3: 对输出进行评价，并选择最佳的段落。这一步骤是Self-RAG的核心，它使模型能够评判自己的输出，选择最准确和相关的段落，并对其进行迭代或改进。

       图中还展示了Self-RAG模型在处理不同类型的问题时可能的行为。例如，在请求写一篇关于“最佳夏日假期”的文章时，模型可能会选择不进行检索，直接生成答案。

二、self-RAG训练

2.1 训练概述 

(1) SELF-RAG 的目标

       SELF-RAG 的设计使得任意的语言模型（LM）可以生成包含“反思tokens”(reflection tokens) 的文本。这些token来自于扩展的模型词汇（即，原始词汇加上反思tokens）。

(2) 训练细节

       生成模型M是在一个经过筛选的语料库上进行训练的，该语料库包含由检索器R检索到的段落和由评判模型C预测的反思tokens。

(3) 评判模型C

      它被训练用于生成反思tokens，这些tokens用于评估检索到的段落和给定任务的输出质量。

(4) 使用评判模型的目的

       在离线情况下，使用评判模型可以将反思tokens插入到任务输出中, 更新训练语料。

(5) 最终训练的目标

       使用传统的LM目标，训练最终的生成模型 ，使其能够自己生成反思tokens，而不需要在推理时依赖评判模型。

2.2 Self-RAG 训练

2.2.1 训练评判模型(critic model)

（1）数据收集

       利用GPT-4生成reflection tokens，然后将其知识提炼到一个内部评判模型C（in-house C）

（2）评判学习(critic learning)

• 训练数据集 D_critic；
• 使用预训练的LM（语言模型）对C进行初始化，训练评判模型的目标：最大化似然。希望最大化关于D_critic的期望值，其中期望值基于某些"reflection tokens"的条件概率的对数；

• 初始模型可以是任何预训练的LM，这里选择了与生成器LM相同的模型，即 Llama 2-7B；

• 评判模型在大多数"reflection token"类别上达到了超过90%的与GPT-4基于的预测的一致性。

2.2.2 训练生成模型(generator model)

（1）数据收集

• 对于输出 y 中的每个片段 yt，模型会使用 C（评判模型）来评估是否需要进一步的检索；
• 如果需要检索，会添加一个特殊的检索token:  Retrieve=Yes，接着，R（检索算法）会检索最相关的 K 个文章或段落，记为 D；
• 对于每一个检索到的文章或段落，C（评判模型）会进一步评估这个段落是否与当前的任务相关，并给出一个 IsREL（是否相关）的预测；
• 如果该段落被认为是相关的，C 会进一步评估这个段落是否支持模型的生成，并给出一个 IsSUP（是否支持）的预测；
• IsUSE 可能代表着模型对检索到的内容的整体效用或有用性的评估；
• 最后，与反思tokens一起增强的输出和原始的输入对被添加到 Dgen，作为一个训练数据集。

（2）生成学习(generator learning)

• 使用反思tokens的经过修改过的语料库Dgen来训练生成器模型；
• 目标函数描述了最大化 M 在给定输入 x 的情况下，对输出 y 和相关的信息 r 的概率的对数似然；

• 与C（评判模型）训练不同，生成器M学习预测目标输出以及反思tokens。训练期间，将检索到的文本块（由<p>和</p>围绕）进行遮挡以进行损失计算。这意味着模型在计算损失时不考虑这些检索到的文本块。原始词汇V通过一组反思tokens（如<Critique>和<Retrieve>）进行扩展。这表示这些tokens被加入到词汇中，使模型能够使用这些特定的tokens来生成输出。

三、self-RAG评估

       作者针对公共卫生事实验证、多项选择推理、问答等三种类型任务进行了一系列评估。像事实验证和多项选择推理等闭集任务，使用准确性作为评估指标。对于开放域问答这样简短的生成任务，作者使用groundtruth答案是否包含在模型生成中来进行评估，而不是严格要求精确匹配。

       对于传记生成和长格式QA等长文本生成任务，作者使用FactScore（https://github.com/shmsw25/FActScore）来评估传记——基本上是对生成的各种信息及其事实正确性的衡量。对于长格式QA，使用了引用精度和召回率。

    对于长文本生成任务，安装factscore==v0.1.5，并设置FactScore环境

python -m factscore.factscorer --data_path YOUR_OUTPUT_FILE  --model_name retrieval+ChatGPT --cache_dir YOUR_CACHE_DIR --openai_key YOUR_OPEN_AI_KEY --verbose

      Self-RAG在非专利模型中表现最好，在大多数情况下，较大的13B参数优于7B模型。在某些情况下，它甚至优于ChatGPT。

四、self-RAG推理

4.1 self-RAG推理概述

       首先，我们看一下推理算法的伪代码，其中涉及三个主要组件：生成器语言模型（LM）、检索器（R）、以及大型文本段落集合（D）。如图所示:

算法流程分为如下的四个步骤：

Step1：输入一个提示 x 和先前的生成 y<t

Step2：使用模型 M 预测是否需要检索

Step3：如果预测结果是“Yes”，则：

（1）使用检索器 R 获取与输入 x 和 y_t-1 相关的文本段落 D。

（2）模型预测每个检索到的文本段落 d 相对于输入 x 和生成的文本 yt 的相关性 (IsREL)，支持度 (IsSUP) 和使用度 (IsUSE)。

（3）根据这些预测对 yt 进行排名。

Step4：如果预测结果是“No”，则：

（1）直接使用生成器模型 M_gen 预测输出 yt。

（2）然后给定x, yt，预测输出是否有用。

       该算法结合了检索和生成两种方法。首先，它会判断是否需要检索信息。如果需要，它会从大型文本集合中检索相关段落，然后基于这些信息进行生成。如果不需要检索，它会直接进行生成。

4.2 self-RAG推理细节

       论文介绍了 SELF-RAG 模型如何在推理阶段生成反思tokens，这使得它能够自我评估其输出。这一功能使 SELF-RAG 能够在推理阶段进行控制，从而根据不同的任务需求调整其行为。

4.2.1 基于阈值的自适应检索（Adaptive retrieval with threshold）

（1）SELF-RAG 可以动态决定何时检索文本段落，这是通过预测 Retrieve 来完成的。此外，框架还允许设定一个阈值。

（2）如果生成的token是 Retrieve=Yes， 且在所有输出tokens中的标准化值超过了指定的阈值，则触发检索。

4.2.2 基于评判tokens的树解码（Tree-decoding with critique tokens）

（1）基本框架

第1步：当每一步进行到t时，依据是否需要检索，可以基于硬或软条件进行。

第2步：R会检索出K个段落，而生成器M会处理这些段落，从中产生K个不同的续写候选。

第3步：之后进行一个段落级别的束搜索（使用beam size=B），从而在时间戳t获得最优的续写序列。

第4步：每一段的得分将根据与段落d的关系进行更新。

（2）评判得分（critic score）的计算

       每个片段yt关于段落d的得分与每个critique token类型的标准化概率的线性加权和相关。

       对于每一个critic token组（例如 IsREL），其在时间戳t的得分会被记作s^G_t。

计算一个段的得分（compute a segment score），计算公式如下图：

公式中参数说明: 

① p(yt | x, d, y<t) 是一个条件概率，表示给定输入x、段落d和之前的输出y<t时，产生输出yt的概率。而S(Critique)是critic token的得分。

② S(Critique)的计算是一个求和操作，涉及到所有的G组的critic token的加权得分。具体的组可以是IsREL, IsSUP, IsUSE等。

③ s^G_t: 这是最想要的reflection token的生成概率

④ G的不同可能值: critique token类型G可以有多个不同的值，例如: IsREL, IsSUP, IsUSE

⑤ 权重w^G: 这些权重是可以调整的超参数，以自定义模型在推理期间的行为。通过调整这些权重，可以强调某些期望的行为并降低其他行为。

（3）在解码过程中使用 Critique

      在解码阶段强制执行硬约束(hard constraints)，这意味着模型可以被设置为基于这些critic token完全避免产生某些输出。

（4）在多个偏好之间进行权衡

在模型训练中平衡多个目标，模型需要在不同的输出偏好之间取得平衡。

4.3 self-RAG推理实践

我们使用vllm（https://github.com/vllm-project/vllm）进行RAG推理。

pip安装vllm后，可以在库中加载并查询如下：

from vllm import LLM, SamplingParamsmodel = LLM("selfrag/selfrag_llama2_7b", download_dir="/gscratch/h2lab/akari/model_cache", dtype="half")sampling_params = SamplingParams(temperature=0.0, top_p=1.0, max_tokens=100, skip_special_tokens=False)def format_prompt(input, paragraph=None):prompt = "### Instruction:\n{0}\n\n### Response:\n".format(input)if paragraph is not None:prompt += "[Retrieval]<paragraph>{0}</paragraph>".format(paragraph)return promptquery_1 = "Leave odd one out: twitter, instagram, whatsapp."query_2 = "Can you tell me the difference between llamas and alpacas?"queries = [query_1, query_2]# for a query that doesn't require retrievalpreds = model.generate([format_prompt(query) for query in queries], sampling_params)for pred in preds:print("Model prediction: {0}".format(pred.outputs[0].text))

对于需要检索的查询，可以在下面的示例中以字符串的形式提供必要的信息。

paragraph="""Llamas range from 200 to 350 lbs., while alpacas weigh in at 100 to 175 lbs."""​def format_prompt_p(input, paragraph=paragraph):  prompt = "### Instruction:\n{0}\n\n### Response:\n".format(input)  if paragraph is not None:    prompt += "[Retrieval]<paragraph>{0}</paragraph>".format(paragraph)  return prompt​query_1 = "Leave odd one out: twitter, instagram, whatsapp."query_2 = "Can you tell me the differences between llamas and alpacas?"queries = [query_1, query_2]​# for a query that doesn't require retrievalpreds = model.generate([format_prompt_p(query) for query in queries], sampling_params)for pred in preds:  print("Model prediction: {0}".format(pred.outputs[0].text))

# 输出[Irrelevant]Whatsapp is the odd one out.[No Retrieval]Twitter and Instagram are both social media platforms, while Whatsapp is a messaging app.[Utility:5]​[Relevant]Llamas are larger than alpacas, with males weighing up to 350 pounds.[Partially supported][Utility:5]

      在上面的例子中，对于第一个查询（与社交媒体平台相关），段落上下文是不相关的，这反映在检索开始时的[不相关]标记中。然而，外部上下文与第二个查询相关（比如llamas和alpacas相关）。正如所看到的，它在生成的上下文中包含了这些信息，并用[Relation]标记。

       但在下面的例子中，上下文“I like Avocado”与Prompt无关。如下所示，对于这两个查询，模型预测都以[Irreevant]开头，并且只使用内部信息来回答提示。

paragraph="""I like Avocado."""def format_prompt_p(input, paragraph=paragraph):  prompt = "### Instruction:\n{0}\n\n### Response:\n".format(input)  if paragraph is not None:    prompt += "[Retrieval]<paragraph>{0}</paragraph>".format(paragraph)  return prompt​query_1 = "Leave odd one out: twitter, instagram, whatsapp."query_2 = "Can you tell me the differences between llamas and alpacas?"queries = [query_1, query_2]​# for a query that doesn't require retrievalpreds = model.generate([format_prompt_p(query) for query in queries], sampling_params)for pred in preds:  print("Model prediction: {0}".format(pred.outputs[0].text))

# 输出Model prediction: [Irrelevant]Twitter is the odd one out.[Utility:5]​[Irrelevant]Sure![Continue to Use Evidence]Alpacas are a much smaller than llamas.They are also bred specifically for their fiber.[Utility:5]

五、self-RAG与普通RAG优势对比

• 自适应段落检索：通过这种方式，LLM可以继续检索上下文，直到找到所有相关的上下文（当然是在上下文窗口内）；
• 更相关的检索：很多时候，embedding模型并不擅长检索相关上下文。Self-RAG可能通过relevant/irrelevant的特殊token来解决这一问题；
• 击败其他类似模型：Self-RAG超过了其他类似模型，在许多任务中也出人意料地击败了ChatGPT。
• 不会改变基本的LM：我们知道微调和RLHF很容易导致模型产生偏差。Self-RAG似乎通过添加特殊的token来解决这个问题，并在其他方面保持文本生成不变。

       不过，在处理固定的上下文长度方面还有一些改进的空间。这可以通过在Self-RAG中添加摘要组件来实现。事实上，之前已经有一些关于这方面的工作（请参阅：用压缩和选择性增强改进检索增强LMs（https://arxiv.org/abs/2310.04408））。另一个令人兴奋的方向是OpenAI刚刚发布的上下文长度窗口的增加——GPT-4 128k上下文窗口更新。然而，正如论坛中所提到的，这个上下文窗口表示输入长度，而输出限制仍然是4k个令牌。

       RAG代表了行业将LLM纳入其数据以产生实际业务影响的最令人兴奋的方式之一。然而，还没有太多针对RAG的语言模型调整。我对这个领域未来的改进感到兴奋。

参考文献：

[1] https://towardsdatascience.com/how-self-rag-could-revolutionize-industrial-llms-b33d9f810264

[2]  https://github.com/AkariAsai/self-rag

[3] https://arxiv.org/pdf/2310.11511.pdf

[4]  https://selfrag.github.io/

[5] https://cloud.tencent.com/developer/article/2356535