写在前面

大家好，我是刘聪NLP。

RAG（检索增强生成）通过检索系统找到用户问题相关的信息片段，利用大模型综合生成一个答案，极大解决了大模型幻觉、信息更新不及时等问题，已经成为了大模型落地的重要手段。

但在检索过程中，往往会检索到与问题极度相似、但又不包含答案或包含干扰答案的片段，这些答案无关片段对大模型生成答案有何影响呢？

今天正好刷到一篇相关文章，带给大家《How Easily do Irrelevant Inputs Skew the Responses of Large Language Models?》

Paper: https://arxiv.org/abs/2404.03302
Github: https://github.com/Di-viner/LLM-Robustness-to-Irrelevant-Information

先放相关结论，后面补充相关细节。

• 与常见语义无关的答案无关片段相比，LLMs更容易受到高度语义相关的答案无关片段的影响；
• 随着答案无关片段的增加，LLMs更容易分心，识别正确信息的能力降低；
• LLMs对答案无关片段的的识别能力随着问题格式的不同有所不同，自由式问答>是非性问答>多项选择式问答；
• 系统提示词中增加“忽略无关片段”等相关内容，对LLMs的识别能力有提升，但较小；
• 存在高度语义相关的答案无关片段时，COT或者ICL会导致LLMs过度思考，识别能力变差。

数据&片段构造

将答案无关片段，分成三类：

• 无关：与问题主题无关但相似性得分高的段落
• 部分相关：不仅在相似性度量上得分高，而且与问题的主题部分内容重叠
• 相关：不仅在相似性度量上得分高，而且与问题的主题内容重叠，但不包含正确答案。

数据构造：

• 无关：通过检索器直接检索Top10的段落；
• 部分相关：从检索Top10的段落中选择一个包含subj，但缺少obj的段落，作为前半段；然后找到一个包含错误答案obj'的片段作为后半段；
• 相关：与“部分相关”相比，“相关”片段与问题高度语义相关，但并不包含正确答案，主要涉及系误导性联类型、共同特征类型和虚构轶事类型。

相关样例如下图所示，

通过Contriever model计算不同片段相似度得分，相关和部分相关与问题的相似度甚至比真实片段更高，说明数据构造有效。

评价指标：

• 误表述比率（Misrepresentation Ratio，MR）：LLMs因受到答案无关信息影响而改变正确回答内容的比例，用于衡量LLMs被无关信息误导的倾向；
• 不确定比率（Uncertainty Ratio，UR）：LLMs因受到答案无关信息影响而在回答中表述“不确定”的比例，用于衡量LLMs对干扰后生成答案的信心程度。

为了方便评测，采用多项选择题的形式进行LLMs评估，将“正确答案”、“错误答案”以及“不确定”作为选择供LLMs选择。

结论实验

评估了LLMs在面对三个不同语义相关性级别的答案无关片段时的表现，如下表所示，随着片段的相关性增高，不同模型的效果均有所下降，对于干扰后生成的答案的信心更足。闭源模型的效果远好于开源模型。

PS：开源模型只做了Llama2-7B，感觉应该补充补充~

随着片段个数的不断增加，LLMs分心更严重，如下表所示，随着答案无关片段的数据增加，更愿意选择无关答案。

为了方便评估，选择多项选择的形式来对LLMs进行分析。但其他形式的问法表现如何？如下表所示，自由问答形式的问题受答案无关片段影响最小、其次是是否类型，影响最大的是多项选择式问题。

PS：对于自由式问题由于没有约束，答案较为散乱，不易评估，由采用了GPT3.5进行了答案对齐操作，人工抽检300条，准确率在97%，认为可靠。

忽略式Prompt对结果有微弱的改善，COT、忽略式Prompt+ICL对结果有害，效果变得更差。

写在最后

一个蛮有趣的实验报告，探索检索片段对RAG系统带来的额外影响。

PS：给公众号添加【星标⭐️】不迷路！您的点赞、在看、关注是我坚持的最大动力！

欢迎多多关注公众号「NLP工作站」，加入交流群，交个朋友吧，一起学习，一起进步！

我们的口号是“生命不止，学习不停”！

往期推荐：

• InternLM2技术报告
• Qwen1.5-MoE模型：2.7B的激活参数量达到7B模型的性能
• RAG与Long-Context之争—没必要争
• 角色扮演大模型的碎碎念
• 自我蒸馏方法-减轻大模型微调过程中的灾难性遗忘
• Yi技术报告细节分享
• 大模型增量预训练新技巧-解决灾难性遗忘
• 如何提高LLMs的文本表征(Text Embedding)能力?
• DEITA-大模型指令微调的数据高效筛选方法
• 大模型微调技巧 | 高质量指令数据筛选方法-MoDS
• 辟谣！微软撤回声称ChatGPT为20B参数的论文，并给出解释。
• 如何看待微软论文声称 ChatGPT 是 20B (200亿) 参数量的模型？
• 大模型微调技巧-在Embeeding上加入噪音提高指令微调效果
• 如何从数据集中自动识别高质量的指令数据
• BaiChuan2技术报告细节分享&个人想法
• 大模型LLM微调经验总结&项目更新
• 打造LLM界的Web UI
• 是我们在训练大模型，还是大模型在训练我们？
• Llama2技术细节&开源影响
• 大模型时代-行业落地再思考
• 垂直领域大模型的一些思考及开源模型汇总
• 如何评估大模型-LLMs的好坏？
• 总结|Prompt在NER场景的应用