我要投稿

Google | 溯源分析RAG系统错误，提出选择性生成框架，让RAG问答准确率提升10%

发布日期：2025-06-21 13:46:02 浏览次数： 1513

作者：AINLPer

微信搜一搜，关注“AINLPer”

点击下方“AINLPer“，添加关注

更多干货，第一时间送达

Agent，国内外精华论文、NLP基础知识、国际学术、AI发展前沿动态，无论你是AI领域的初学者，还是资深研究者，这里都有你想要的宝藏知识！" data-id="MzUzOTgwNDMzOQ==" data-is_biz_ban="0" data-origin_num="435" data-biz_account_status="0" data-verify_status="0">

更多精彩内容->专注大模型、Agent、RAG等前沿分享！

引言

当前RAG技术应用非常广泛，但是由于涉及技术节点比较多，问题排查通用非常困难。为此，本文作者对RAG系统出现的错误进行了深入的分析，「引入充分上下文（Sufficient Context）的概念，指出RAG系统中的幻觉现象可能是由于上下文不足引起」，为此提出了选择性生成框架来提高RAG系统的准确性，实验结果表明该方法可让RAG系统准确率最高提升10%。链接：https://arxiv.org/pdf/2411.06037

背景介绍

检索增强生成（Retrieval-Augmented Generation，RAG）是当前NLP领域中最重要的技术突破之一。它将大语言模型（LLMs）与动态信息检索机制相结合，有效解决了传统语言模型的三大核心问题：知识固化问题、事实性幻觉倾向，以及长尾知识覆盖不足的缺陷。这种方法在开源和商用应用中都非常广泛，如搜索问答、智能客服、医疗辅助诊断等。

尽管 RAG 在许多任务中表现优异，但仍经常出现“幻觉”（hallucination）现象，即模型在提供不完整或无关文档时依然自信地生成错误答案。此时你可能会想到：「这些错误究竟是因为检索系统未能提供足够信息，还是模型本身未能正确使用上下文？」

为了分析和解决这个问题，Google提出了“「充分上下文（Sufficient Context）」”的概念，并围绕这一概念展开了深入研究，旨在明确划分 RAG 系统错误的责任归属，并给出了几种提升RAG生成质量的策略。

上下文充分性评估工具

何为充分上下文（Sufficient Context）？作者给出的定义是：检索的内容中是否「能够具备支持正确答案的全部信息」。这一标准并不要求上下文中显式的包含答案，但应当使一个熟悉该任务的 LLM 能够基于其常识和推理能力，合理得出正确答案。

为了量化这个概念，作者构建了一个新的评估任务：「给定问题、答案与上下文，判定该上下文是否足够支持该答案」。简单来说：如果上下文包含所有必要信息，能够让大模型生成正确答案，则将其定义为“充分”；如果上下文缺乏必要信息、不完整、不确定或包含相互矛盾的信息，则定义为“不充分”。基于以上定义，作者首先开发了一个基于大模型的上下文充足评估器（这里大模型主要采用Gemini 1.5 Pro，通过构建提示词来实现），用于自动判断上下文是否充分。如果上下文充足，它会输出“真”，如果上下文不足，它会输出“假”。实验结果表明上下文充足评估器，1-shot 在评估上下文充分性方面达到高达 93% 的准确率。

RAG错误溯源分析

本文作者利用上下文充分性评估工具，分析了各种大型语言模型（LLMs）和数据集的性能，得出了以下几项关键发现：

最先进的大型模型（如Gemini、GPT和Claude）在提供足够上下文时通常能够出色地回答问题，但在上下文不足时无法识别并避免生成错误答案。
小型开源模型存在特定问题，即使在上下文足以正确回答问题的情况下，它们也容易出现幻觉。
有时即使上下文被评定为不足，模型仍能生成正确答案，这表明不足的上下文仍可能有用，例如它可以填补模型知识的空白或澄清查询中的歧义。

基于以上发现本文作者提出了改善RAG系统的建议，即「1)在生成之前增加一个充分性检查；2）检索更多上下文或重新排序检索到的上下文；3）根据置信度和上下文信号调整弃权阈值」。

评测基准的上下文充分性

本文作者深入研究了充分上下文背后的相关情况。分析发现，多个标准基准数据集中存在大量上下文不足的案例。本文作者考虑了三个数据集：FreshQA、HotPotQA和MuSiQue。「那些上下文充足实例占比更高的数据集」，如FreshQA，往往是上下文来源于人工整理的支持性文档。

上下文导致幻觉

令人惊讶的是，尽管检索增强生成（RAG）通常能够提升整体性能，但它却降低了模型在合适时机选择不回答问题的能力。「引入额外上下文似乎会增加模型的自信，从而导致其更倾向于产生幻觉」。为了理解这一点，本文作者利用Gemini来对每个模型的回答进行评级，将其与可能的真实答案进行比较。本文作者将每个回答分类为“正确”“幻觉”（即错误答案）或“弃权”（例如说“我不知道”）。通过这种方法，本文作者发现，例如，Gemma在没有上下文的情况下对10.2%的问题给出错误答案，而在使用不足上下文时，这一比例上升到了66.1%。

选择性生成框架

基于以上分析，本文作者提出了一种“选择性生成”框架，即利用充分上下文信息来指导弃权。作者考虑了以下指标：1)「选择性准确率」衡量模型在其回答的问题中正确答案的比例；2)「覆盖率」为回答问题的比例。

本文作者的选择性生成方法「将充分上下文信号与模型的自评置信度分数结合起来，以便就何时弃权做出明智的决策」。这比单纯在上下文不足时就弃权要更加精细，因为即使上下文有限，模型有时也能给出正确答案。本文作者利用这些信号来训练一个逻辑回归模型以预测幻觉。然后，本文作者设定一个覆盖率 - 准确率权衡阈值，确定模型何时应该放弃回答。

本文作者使用两种主要信号来决定是否弃权：

「自评置信度」 采用了两种策略：P（True）和P（Correct）。P（True）涉及多次采样答案，并提示模型将每个样本标记为正确或错误。P（Correct）用于那些大量查询成本高昂的模型，它涉及获取模型的回答及其对正确性的估计概率。

「充分上下文信号」 使用自评工具模型（FLAMe）的二元标签来指示上下文是否充分。至关重要的是，本文作者无需真实答案就能确定充分上下文标签，因此可以在回答问题时使用这一信号。本文作者的研究结果表明，与仅使用模型置信度相比，这种方法能够实现更好的选择性准确率 - 覆盖率权衡。通过使用充分上下文标签，本文作者可以在模型回答的问题上提高准确率，有时甚至可以提高多达10%。