最近在测试RAG相关产品，看了一些文章，发现之前对RAG实力的认识还是粗浅了。
RAG 的优势
虽然 RAG 和微调都可以用于将新信息整合到 LLM 并提高特定任务的性能，但研究表明，对于训练期间遇到的知识以及全新知识，RAG 的表现始终优于无监督微调（也称为持续预训练）。一项研究比较了 RAG 和无监督微调在 MMLU 子集和时事上的表现，发现 RAG 的表现始终优于微调。另一篇论文将 RAG 与农业数据集上的监督微调进行了比较，结果表明，RAG 带来的性能提升大于微调，特别是对于 GPT-4。
除了性能提升之外，与微调相比，RAG 还具有以下几个实际优势：
- 易于更新： 与需要对模型进行重新训练的连续预训练或微调相比，更新检索索引更容易、成本也更低。
- 控制和可解释性： 如果检索索引中存在包含有害或偏见内容的有问题文档，可以轻松删除或修改这些文档。此外，RAG 中的“R”（检索）支持更精细地控制如何检索文档，例如，通过划分检索索引，可以确保每个组织只能检索其自身索引中的文档，从而防止信息泄露。
长上下文模型不会淘汰 RAG
有人认为，随着 Gemini 1.5 等具有高达 1000 万个标记的上下文窗口的模型的出现，RAG 的价值将降低。然而，这种观点过于夸大了长上下文模型的影响力。
即使使用 1000 万个标记的上下文窗口，仍然需要一种方法来选择要输入模型的信息。此外，除了在“大海捞针”这类狭义任务上的评估之外，还没有令人信服的数据表明模型可以有效地推理如此大的上下文。因此，如果没有良好的检索（和排序），可能会用无关信息淹没模型，导致性能下降。
最后，还需要考虑成本问题。Transformer 的推理成本与上下文长度成二次方（或在空间和时间上呈线性）关系。仅仅因为存在一个可以在回答每个问题之前读取整个 Google Drive 内容的模型，并不意味着这是一个好主意。
结论
RAG 在获取新知识方面比微调具有明显的优势，包括易于更新、更好的控制和可解释性。虽然长上下文模型可能会改变某些用例的游戏规则，但 RAG 仍然是 LLM 应用中不可或缺的一部分，尤其是在处理新知识和需要精细控制的情况下。
参考：https://www.oreilly.com/radar/what-we-learned-from-a-year-of-building-with-llms-part-i/
