粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
随着大型语言模型（LLMs）在实际应用中的广泛采用，它们常常需要处理长序列输入，例如长文档问答和摘要生成。传统的LLMs通常具有有限的工作上下文大小，这限制了它们处理长上下文任务的能力。尽管可以通过微调来扩展LLMs的上下文长度，但这需要付出巨大的成本，并且在部署时极其消耗资源
方法的起始点：LC-Boost从输入查询（q）和长上下文（X）开始，目标是产生一个输出答案（Y）。考虑到LC-Boost背后的LLM有上下文长度限制（本文中将LC-Boost的工作上下文长度限制为4K），直接为长上下文任务生成输出答案Y是不可行的。
处理长上下文任务的策略：为了解决这个问题，LC-Boost通过战略性地理解分解后的短上下文（X = {X1, ..., Xn}），并从这些短上下文中提取最小必要上下文（˜X），以支持输出答案Y的生成。
决策过程：LC-Boost通过与分解后的短上下文（{X1, ..., Xn}）进行迭代交互的决策过程来实现这一目标。在此过程中，LC-Boost与每个短上下文Xi交互，执行两种类型的操作：信息访问和信息利用。
动作空间：LC-Boost定义了一个离散的动作空间A，包括任务理解、检索、移动、追加、合并、回答和聚合等七种动作。这些动作使LC-Boost能够灵活地访问任何短上下文Xi，准确获取信息，以及动态地利用获取的信息来产生目标形式的答案。
消融研究中不同上下文处理策略的性能比较。NarrativeQA（左侧）是一个单文档问答任务。HotpotQA（中间）是一个多文档问答任务。SamSUM（右侧）是一个少样本学习任务。
案例研究在自建数据集上。正确答案用青绿色标记，错误答案用红色标记，模棱两可的答案用橙色标记。
https://arxiv.org/pdf/2405.15318Are Long-LLMs A Necessity For Long-Context Tasks?
53AI，企业落地应用大模型首选服务商
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2024-05-28
2024-04-26
2024-04-11
2024-08-21
2024-07-09
2024-08-13
2024-07-18
2024-10-25
2024-07-01
2024-06-17
回到顶部