创新点
- SPECULATIVE RAG 将 RAG 任务分解为两个独立的阶段：起草（drafting）和验证（verification）。它利用一个较小的专家语言模型（LM）作为 RAG 起草者（drafter），专门负责根据检索到的文档生成多个答案草稿；然后由一个较大的通用 LM 作为 RAG 验证者（verifier），对这些草稿进行评估和验证，最终选择最准确的答案。
- 与一些需要对通用 LM 进行额外指令微调的 RAG 方法不同，SPECULATIVE RAG 的 RAG 验证者无需进行专门的指令微调。它直接利用通用 LM 的语言建模能力来评估草稿，大大简化了系统的实现过程，降低了训练成本和复杂度。
方法
本文提出了一种名为 SPECULATIVE RAG（Speculative Retrieval-Augmented Generation）的研究方法，旨在通过一种高效的框架设计来提升检索增强型生成（RAG）系统的性能。该方法的核心在于将 RAG 任务分解为两个阶段：起草（drafting） 和 验证（verification）。在起草阶段，SPECULATIVE RAG 使用一个较小的专家语言模型（LM），称为 RAG 起草者（drafter），负责根据检索到的文档生成多个答案草稿。为了充分利用检索结果中的多样化信息，起草者采用了一种 多视角采样策略。在验证阶段，SPECULATIVE RAG 利用一个较大的通用 LM，称为 RAG 验证者（verifier），对起草者生成的多个草稿进行评估和验证。验证者通过计算每个草稿的 生成概率、自一致性得分 和 自我反思得分 来综合评估草稿的质量。
不同 RAG 方法的示意图
- (a) Standard RAG：标准 RAG 方法将所有检索到的文档直接整合到提示（prompt）中，传递给通用语言模型（LM），这种方法在处理长文档时效率较低。
- (b) Self-Reflective RAG：自反思 RAG 方法通过在通用 LM 中生成特定的标记来反思检索到的文档和生成的答案，需要额外的指令微调。
- © Corrective RAG：校正 RAG 方法使用一个外部的自然语言推理（NLI）模型来评估检索到的文档的相关性，但缺乏高级推理能力。
- (d) Speculative RAG：本文提出的方法，利用一个较小的专家 LM（RAG 起草者）并行生成多个答案草稿，每个草稿基于不同的文档子集。然后，较大的通用 LM（RAG 验证者）对这些草稿进行验证，选择最佳答案。这种方法通过减少每个草稿的输入标记数量，提高了效率并减少了潜在的长文档位置偏差问题。
标准 RAG 和 Speculative RAG 的延迟分析
本图展示了标准 RAG 和 Speculative RAG 在 TriviaQA、MuSiQue、PubHealth 和 ARC-Challenge 四个数据集上的平均处理时间。标准 RAG 采用不同大小的张量并行以适应 GPU 内存，但并行化开销未显著提升效率。而 Speculative RAG 通过并行生成多个草稿，并利用较小的 RAG 起草者和较大的 RAG 验证者进行验证，显著降低了处理时间，如在 PubHealth 数据集上延迟减少了 51.25%。图中红色标注部分表示 Speculative RAG 相比标准 RAG 的延迟减少比例。
不同草稿数量和文档子集大小下的 Speculative RAG 性能分析
- (a) 不同草稿数量的影响：展示了在 TriviaQA 和 PubHealth 数据集上，随着草稿数量的增加（5、10、15、20 个草稿），Speculative RAG 的准确率如何变化。结果表明，增加草稿数量可以进一步提升性能，因为更多的草稿能够覆盖更多文档的视角。
- (b) 不同文档子集大小的影响：展示了在 TriviaQA 和 PubHealth 数据集上，改变每个草稿的文档子集大小（1、2、4、6 个文档）对性能的影响。结果表明，增加文档子集大小并不总是能提升性能，Speculative RAG 即使在每个草稿中只使用少量文档时也能取得很好的效果。
实验
本表展示了在四个公共检索增强生成基准数据集（TriviaQA、MuSiQue、PubHealth 和 ARC-Challenge）上不同 RAG 方法的性能对比。这些数据集涵盖了开放域问答和封闭域问答任务，用于评估模型在生成准确答案方面的能力。表中列出了多种 RAG 方法，包括标准 RAG 方法（如基于不同预训练语言模型的实现）、自反思 RAG（Self-Reflective RAG）、校正 RAG（Corrective RAG）以及本文提出的 Speculative RAG。每种方法的性能通过准确率（accuracy）来衡量，反映了模型生成的答案与真实答案的匹配程度。从表中可以看出，Speculative RAG 在所有四个数据集上均取得了最佳性能。总体而言，本表通过对比不同 RAG 方法在多个数据集上的准确率，清晰地展示了 Speculative RAG 方法在检索增强生成任务中的优越性，特别是在处理复杂的知识密集型问答时，其通过高效的起草和验证机制，显著提高了生成答案的质量和效率。
论文题目：SPECULATIVE RAG: ENHANCING RETRIEVAL AUGMENTED GENERATION THROUGH DRAFTING
论文地址：https://arxiv.org/pdf/2407.08223
最后
为什么要学AI大模型
当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！
DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。
与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
AI大模型系统学习路线
在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。
但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。
AI大模型入门到实战的视频教程+项目包
看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
海量AI大模型必读的经典书籍（PDF）
阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。
600+AI大模型报告（实时更新）
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
AI大模型面试真题+答案解析
我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
