推荐语

Meta突破性研究：REFRAG框架让RAG上下文处理能力提升16倍，同时加速30倍！AI开发者必看的高效解决方案。

核心内容：
1. RAG长上下文带来的两大痛点：内存成本飙升与冗余计算
2. REFRAG三大创新：智能分块压缩、RL动态选择保留、嵌入复用技术
3. 实测效果：在多轮对话和Web检索场景实现突破性性能提升

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

最近一段时间，Context Engineering（上下文工程）的热度已无需多言，而 Meta 超级智能实验室发布的首篇论文，便聚焦于该领域的核心议题——模型上下文智能压缩，展开了深度研究。

相信在开发 RAG与 Agent时，上下文太长导致输出效果崩掉，几乎做AI 应用人的家常便饭。

其具体体现有二：

长上下文导致了更高内存成本，模型的首 token 生成时间（TTFT）会随之呈二次方增加。

冗余计算严重：RAG 与 Agent 的上下文一般是多个检索段落的组合，段落间的关联几乎为零。但大模型的注意力机制会对所有token 间的关联做计算，导致了大量冗余计算。

在此背景下，Meta团队提出了REFRAG 框架，在仅保留核心内容的原始token情况下，对RAG提供的低相关chunk内容做智能压缩，从而在不损失性能的前提下，实现 30.85 倍 TTFT 加速、将 LLMs 上下文处理长度扩展 16 倍。

经过实测，该方案在 RAG、多轮对话、智能体及 Web 级检索等 高吞吐量、低延迟场景中表现尤为突出 。

01 

如何智能压缩上下文

以下是整个策略的核心流程图演示，整体可以分为三部分：

第一步：上下文分块与压缩

RAG 检索到的长文档，通常动辄几千上万 token，直接丢进 LLM 会让显存和计算成本爆炸。 REFRAG 的做法是：

• 先把文档切成固定大小的 块（chunk）。

• 每个块经过一个轻量级编码器（比如 RoBERTa）得到 块嵌入（chunk embedding）。

• 再用一个投影层，把这些嵌入映射到与解码器 token embedding 相同的维度。

这样做的好处是：LLM 不再处理每个原始 token，而是处理“压缩后的一整个块”。如果一个块里原来有 k 个 token，现在只用一个 embedding 来表示，那么输入长度就缩短了约 k倍，显著减少注意力计算量和显存占用。

第二步：选择性扩展与自回归保留

光压缩可能会丢失信息，尤其是对关键块（比如问题答案所在段落）。REFRAG 引入了一个 RL（强化学习）策略，用来动态决定：哪些块必须保留原始 token（不压缩），以保证信息完整。哪些块可以用压缩的embedding代替。

这样就能 兼顾准确性和效率。同时，因为 LLM 是自回归生成的（依赖前文 token），REFRAG 的方法保证了原始 token 仍能参与生成，不破坏上下文连续性。这对多轮对话等场景尤其重要。

第三步：高效推理与上下文扩展

REFRAG 还有两点优化：

• 复用检索阶段的块嵌入：RAG 在检索时已经算过一次 chunk embedding，推理时直接拿来用，省掉冗余计算。

• 注意力复杂度下降：普通注意力是和 token 数量成平方增长的。如果每个 chunk 代表一组 token，复杂度就变成和 chunk 数量平方关系，大幅降低。

整体结果来看，该方案在短上下文下，可以实现 k 倍的首 token 延迟（TTFT）加速；在长上下文下，加速比最高可达 k的平方 倍。同时，该方案还能把 LLM 的上下文长度扩展到 16 倍 以上。

02  

关键技术细节

REFRAG 的方法体系围绕 “让编码器与解码器高效协同处理长上下文” 展开，核心流程分为三个阶段：

1.编码器 - 解码器对齐

持续预训练（CPT） 以 “下一段预测任务” 为核心：每个训练样本含 s 个前序 token 和 o 个后续 token（共 T 个），将前 s 个输入编码器，其输出用于辅助解码器预测后 o 个 token。

目标是让解码器基于压缩上下文（编码器输出）的生成结果，尽可能接近基于完整上下文的结果，为下游任务（如 RAG）奠定基础。

2.CPT 的关键训练方案（保障对齐效果）

（1）重建任务：先冻结解码器，仅训练编码器和投影层 —— 让编码器输入 s 个 token 后，能生成让解码器准确重建出这 s 个 token 的嵌入。目的是确保编码器压缩信息损失最小、投影层能将嵌入转换为解码器可理解的格式，同时迫使解码器依赖输入的上下文记忆（而非自身参数）。完成后解冻解码器，正式启动 CPT。

（2）课程学习：因直接训练难度大（块长度 k 增加会导致 token 组合呈指数级增长），采用 “从简到难” 的训练策略：先让模型用单个块嵌入重建 k 个 token，再逐步增加块数量和重建长度；训练数据也从以简单任务为主，逐渐过渡到以复杂任务为主，帮助模型循序渐进掌握能力。

3.性能增强：选择性压缩与下游适配

（1）选择性压缩：引入 RL 策略，以 “下一段预测困惑度” 为负奖励（困惑度越高说明块越重要），决定保留哪些上下文块的原始形式（不压缩），仅压缩次要块；同时微调编码器和解码器，使其适配 “压缩 + 未压缩” 混合输入，兼顾效率与性能。

（2）下游适配：完成 CPT 和选择性压缩优化后，通过有监督微调（SFT）让模型适配具体下游任务（如 RAG、多轮对话）。

03  

关键效果与核心场景解读

Meta 团队在 Slimpajama（书籍、arXiv 领域）、PG19、Proof-Pile 等主流数据集，以及 RAG、多轮对话、长文档摘要等任务中对 REFRAG 进行了全面验证，其优势主要体现在效率提升、上下文扩展、场景适配三个维度。

基于以上能力， REFRAG 的核心落地场景主要有三：

（1）增强版 RAG：支持 Web 级高效检索

在 Web 级搜索等需处理大量检索结果的场景中，REFRAG 可 “以更低延迟纳入更多有效信息”：

延迟持平情况下：REFRAG 可处理 8 个检索段落（LLaMA 仅能处理 1 个），在 MMLU、BoolQ 等知识密集型任务中精度提升 1.5% 以上。

多段落处理场景中：处理 10 个检索段落时，TTFT 加速 5.26 倍，且在弱检索器（模拟真实场景中检索误差）下优势更明显。

（2）多轮对话：突破上下文窗口限制

传统 LLaMA 因 4K 上下文窗口限制，多轮对话中需截断历史信息，导致回答连贯性下降；REFRAG 无需扩展位置编码，通过压缩机制实现长对话记忆：

在 TopiOCQA、ORConvQA 等知识密集型多轮对话数据集上，面对 10 个检索段落 + 6 轮对话的长上下文，性能全面优于 LLaMA 微调模型，其中 ORConvQA 任务精度提升超 30%。

（3）长文档摘要：提升科学性文献处理能力

在 arXiv、PubMed 等长 scientific 文献摘要任务中，REFRAG 可通过高压缩率纳入全文档信息，生成摘要的完整性与准确性更优：

相同延迟下（解码器生成 token 数量一致），Rouge-1 指标较 LLaMA 提升 15%-20%，尤其在医学、物理等需精准提炼核心结论的领域表现突出。

尾声

模型上下文长度管理，只是Context Engineering 的议题之一，未来围绕提示工程、动态上下文生成、多模态上下文整合等重点话题，我们还将为大家带来更多更专业的解读。

如果有感兴趣的话题，欢迎评论区留言。