“这段代码明明是对的啊，为什么ChatGPT还给出了错误的解释？我都把相关文档放进去了！”
“用户问的是2024年的新闻，我也给了最新的新闻报道作为上下文，但模型回答的还是2022年的旧闻...”
相信做RAG应用开发的同学都遇到过类似的困扰。明明提供了相关的上下文，为什么大模型还是会产生幻觉...是大模型没有好好利用上下文，还是上下文本身就不足以回答问题？
最近Google、UCSD等机构的研究者提出了一个新的视角来看待这个问题。他们在论文《SUFFICIENT CONTEXT: A NEW LENS ON RETRIEVAL AUGMENTED GENERATION SYSTEMS》中，首次提出了“充分上下文”的概念，并基于此深入分析了RAG系统中大模型的行为表现。
论文链接：https://arxiv.org/abs/2411.06037
从相关到充分：重新定义上下文质量
在传统的RAG系统中，我们往往用“相关性”来评价检索到的文档质量。比如用户问“特斯拉Model 3的价格是多少？”，检索系统可能会返回以下几种文档：
文档A：
特斯拉Model 3是一款纯电动轿车，由特斯拉公司生产，采用了最新的电池技术...
文档B：
2024年1月，特斯拉官方宣布Model 3在中国市场的官方指导价为23.59万元起...
文档C：
据悉，特斯拉计划在2024年第二季度推出Model 3的改款版本，预计将对价格进行调整...
从相关性的角度看，这三段文本都与特斯拉Model 3有关，但它们对回答价格问题的帮助程度却大不相同。文档A虽然介绍了Model 3，但完全没有价格信息；文档B给出了明确的当前价格；文档C提到了价格会调整，但没有具体数字。
研究者认为，我们需要一个更严格的标准：上下文是否“充分”支持回答问题。换句话说：如果基于给定的上下文能推理出一个合理的答案，那这个上下文就是充分的。在上面的例子中，只有文档B提供了充分的上下文。
这个概念看似简单，但实际判断起来并不容易。比如对于多跳推理类的问题：
问题：2024年特斯拉在中国的市值超过了哪家传统车企？
可能需要同时具备以下信息才算充分上下文：
特斯拉2024年在中国的市值数据
主要传统车企2024年在中国的市值数据
这些数据的对比关系
那大模型如何使用上下文？
研究者基于“充分上下文”的概念，分析了各种大模型在实际场景中的表现。举个例子，假设问题是：“2024年2月举办的第96届奥斯卡最佳影片是哪部？”
场景一：提供充分上下文
第96届奥斯卡金像奖于2024年3月10日举行，电影《奥本海默》获得最佳影片奖...
场景二：提供不充分但相关的上下文
《奥本海默》《巴比》《如何优雅地炸掉一艘船》等影片入围第96届奥斯卡最佳影片奖提名...
在论文中，他们研究发现，面对这两种场景，不同类型的模型表现出明显的差异：
为什么模型有时不需要充分上下文也能对？
在论文中，存在一个比较有趣的发现：即使在上下文不充分的情况下，模型也能在35%-62%的情况下给出正确答案。这是不是就比较unbelievable。
例如，假设问题是：“爱因斯坦是在哪个国家出生的？”，给出的上下文是：
爱因斯坦在欧洲度过了他的童年时期，后来移居美国...
这个上下文并不充分，因为没有直接说明出生地。但模型可能还是会正确回答“德国”，猜测可能的原因是：
这是一个众所周知的事实，存在于模型的预训练知识中
上下文中提到“欧洲”提供了地理范围的线索
“童年时期”暗示了这可能与出生地有关
研究者通过分析发现，模型在没有充分上下文时得到正确答案，主要有这么几种情况：
对于是非题，比如“爱因斯坦去过中国吗？”，即使上下文不充分，模型也有50%的机会猜对。
而对于简单的选择题，从有限选项中选择也会提高正确率。
更有意思的是多跳推理题。有时候上下文提供了部分关键信息，模型能够结合自身知识进行推理。比如问“谁是第一个登上月球的美国宇航员？”，即使上下文只提到“阿姆斯特朗是阿波罗11号任务的指挥官”，模型也可能通过预训练知识推断出正确答案。
从“充分上下文”到系统改进：RAG中的深度探索
在理解了大模型的行为模式后，那么，能不能进一步探索如何利用这些发现来改进RAG系统？论文的作者他们提出了一个核心问题：既然知道了上下文的充分性如此重要，那么，能否构建一个自动化的机制来判断上下文是否充分，并据此来指导模型的回答策略？这就面临下一个核心问题：如何让自动判断上下文是否充分？
这个问题看起来就毫无头绪。就像我们人类，面对同一个问题和上下文，不同的人可能会有不同的判断。比如问：“特斯拉2024年第一季度的营收是多少？”，给出上下文：
特斯拉公布2024年第一季度财报：
- 营收同比下降9%
- 毛利率为17.4%
- 交付量达到38.6万辆
有人可能认为这个上下文不充分，因为没有给出具体的营收数字。但也有人可能认为通过同比下降9%，如果知道去年同期数据，是可以算出具体数字的。
好在论文作者们没有放弃，他们搞了一些实验，得到如下的一些自动评估方法：
使用Gemini 1.5 Pro配合精心设计的提示词。这种方法在人工标注的测试集上达到了93%的准确率，显示出了最好的表现。
使用FLAMe（一个24B参数的评估模型）。虽然模型相对较小，但通过将长文本分块评估的策略，也取得了不错的效果。
使用传统的蕴含关系判断模型TRUE-NLI。这种方法的特点是需要参考标准答案，实用性相对较差。
从实验结果来看，大模型确实能够相当准确地判断上下文是否充分。这为我们构建更智能的RAG系统打开了一扇门。
选择性生成：让模型学会“有所为有所不为”
上面我们提到了：模型既然在信息不充分的时候，可能回答错误。那么，顺理成章的想法就是：能否让模型在上下文不充分时，主动选择不回答问题？
这个想法听起来很自然，但实现起来好像并不容易。因为如前所述，即使在上下文不充分的情况下，模型有时也能给出正确答案。如果简单地让模型在上下文不充分时都拒绝回答，反而会损失这部分正确答案。
为了能够达到这个目的，论文作者们设计了一个方案计算如下的两个结果：
上下文是否充分的判断结果
模型对自己答案的确信度评分
也就是说，对于每个问题，他们会：
用FLAMe模型判断上下文是否充分
让主模型生成答案和确信度
将这两个信号输入到一个简单的逻辑回归模型中
根据逻辑回归的预测分数决定是否输出答案
这个方案的高明之处在于：它不是简单地依据单一因素做决定，而是学习了在什么情况下模型更容易给出正确答案。比如，即使上下文不充分，如果模型的确信度特别高，可能也值得冒险输出答案。
论文中的实验结果显示，这种方法能在保持一定回答覆盖率的同时，将正确答案的比例提高2-10%。这个提升看似不大，但考虑到基线系统已经相当强大，这样的改进仍然很有意义。
微调之路：事情没那么简单
除了在推理阶段加入控制机制，作者也尝试了另一个直观的想法：能否通过微调让模型天生就更懂得在上下文不充分时保持谨慎？
他们设计了三种训练数据混合策略：
保持原始答案不变
随机选择20%的样本，将答案改为“不知道”
选择20%上下文不充分的样本，将答案改为“不知道”
然而，实验结果有出人意料了。虽然微调后的模型确实会更多地说“不知道”，但这似乎是以牺牲某些场景下的表现为代价的。比如，有些原本能正确回答的问题，现在模型反而选择了放弃。从这里我们可以看出：模型行为的改进并不是简单的“多说不知道”就行了，而是需要在各种场景下都保持合理的判断。
这项工作不仅能让我们更好地理解RAG系统中的行为模式，也给改进RAG系统提供了一些新的思路：
在构建RAG系统时，除了关注检索的相关性，还应该评估上下文是否充分。可以考虑：
使用自动评估工具(如FLAMe)判断上下文充分性
在检索时增加迭代策略，当上下文不充分时尝试检索更多信息
设计更好的提示词，引导模型在上下文不充分时主动说“不知道”
在评估RAG系统时，应该分层次看待性能：
上下文充分时的表现
上下文不充分时是否能合理拒答
即使上下文不充分，利用预训练知识作答的准确率
选择合适的基座模型：
从“能用”到“好用”的还有一段路要走
还记得文章开头我们提到的困扰吗？“明明提供了相关上下文，为什么模型还是会出错”。通过这篇论文，我们似乎找到了一些答案：上下文不只是要相关，还要充分；模型不只是要会用上下文，还要懂得合理取舍。
就像我们人类在回答问题时，有时会说“让我查查资料”，有时会说“这个我知道”，有时会说“抱歉，我没有足够的信息来回答”。
那 RAG 系统能否更加智能一点呢？想象一下，如果你的大模型不只会判断手上的资料够不够用，还能主动告诉你：“这个问题要回答准确的话，我还需要知道XX和YY”，是不是会更贴心？或者更进一步，它能说：“基于目前的信息我只能给出一个大致的答案，如果你需要更准确的信息，我建议查看最新的XX”，这样的体验是不是会更好？
如果要实现这些yy 的功能，需要我们在“充分上下文”的基础上继续探索。比如：
在检索阶段，不只是找相关的文档，而是要理解问题需要哪些具体信息点，有针对性地进行检索。
在回答阶段，不只是决定说还是不说，而是要能够进行信息完整性的评估，给出恰当的限定语和建议。
在交互阶段，不只是被动地接受上下文，而是要能主动询问，逐步完善必要的信息。
期待 RAG 系统在智能化的道路上更进一步...
粤ICP备14082021号
免费POC，
零成本试错
