文章指出,传统RAG经过向量检索排序召回与Query关系的片段,经过prompt生成回复,LLMs与检索器之间存在语义鸿沟(LLMs难以有效应用检索器提供的消息)。上方来看看这篇文章引入检索消息增强RAG功能的trick。
RAG和的比拟。驳回可训练的-Former来弥合检索器和LLM之间的语义鸿沟
方法
模型架构
检索特色提取
这样存在一个疑问,这些示意不能间接经常使用,由于繁多的示意不可捕捉到用于LLM生成的交互特色。
因此,为了顺应各种检索器,须要将 不同空间中的示意转换为一致格局的特色 。提出三种相似计算方法来对这些示意启动对齐,从而获取检索特色。
检索感知揭示
步骤:
这一模块重要是将检索消息作为额外的常识输入,增强了 LLM 对文档的了解才干。
训练战略
重要是训练-Former 和 LLM 的对齐训练。
试验
参考文献
原文链接:
© 版权声明