• 流水线并行性（Pipeline Parallelism）：PipeRAG允许同时进行检索和生成过程，从而减少整体生成时间。
• 灵活的检索间隔（Flexible Retrieval Intervals）：通过调整检索间隔，PipeRAG能够最大化流水线并行性的效率。
• 性能模型（Performance Model）：PipeRAG使用性能模型自动平衡检索质量和延迟，根据生成状态和底层硬件动态调整检索搜索空间。
  PipeRAG的算法-系统协同设计：基于三个以性能为中心的观察（O1∼O3），PipeRAG结合了一个系统感知算法，该算法集成了管道并行性（S1）和灵活的检索间隔（S2），以及一个由性能模型指导的算法感知检索系统（S3）。

• O1：硬件效率低下，因为检索（Retrieval）和推理（Inference）之间的依赖关系导致硬件资源未被充分利用。
• O2：随着序列长度的增加，每个新生成的token所需的推理时间也在增加，这主要是由于Transformer神经网络中的注意力机制。
• O3：检索过程中，特别是在近似最近邻搜索中，存在搜索质量和搜索延迟之间的权衡。

• S1：流水线并行性（Pipeline Parallelism）：通过允许检索和推理并行执行，减少了硬件资源的空闲时间，提高了硬件利用率。
• S2：灵活的检索间隔（Flexible Retrieval Intervals）：通过调整检索间隔，优化了流水线并行性的效率。
•  S3：性能模型驱动的检索（Performance-Model-Driven Retrievals）：使用性能模型动态调整检索搜索空间，以在不增加生成延迟的情况下，最大化检索质量。

• 在生成过程中，PipeRAG使用稍微陈旧的查询窗口（stale query window）来预取数据库中的内容，而不是依赖于最新的生成上下文。
• 一旦检索到内容，这些内容会通过推理系统进行处理，同时检索系统会继续并行地预取下一批内容。
• 通过这种方式，PipeRAG实现了检索和推理的重叠执行，从而减少了整体的生成延迟。

PipeRAG 在延迟-困惑度（较低的延迟和困惑度更佳）上显著优于 RETRO

性能驱动的检索（S3）能够在显著降低困惑度的同时，实现与非检索模型相当的延迟。括号内的数值表示与没有检索的基线模型相比的差异（较低的延迟和困惑度更佳）

PipeRAG: Fast Retrieval-Augmented Generation via Algorithm-System Co-designhttps://arxiv.org/abs/2403.05676