使用统一的方式推理不同的RAG Reranker模型 | 微调全链路的RAG检索模型 | 实验结果 | License
RAG-Retrieval 提供了全链路的RAG检索微调(train)和推理(infer)以及蒸馏(distill)代码。 - 对于微调，**支持微调任意开源的RAG检索模型**，包括向量（embedding、图a）、迟交互式模型（colbert、图d）、重排序模型（cross encoder(bert)、图c, llm-based reranker）。 - 对于推理，RAG-Retrieval专注于重排序(reranker)，开发了一个轻量级的python库[rag-retrieval](https://pypi.org/project/rag-retrieval/),**提供统一的方式调用任意不同的RAG排序模型**。 - 对于蒸馏，支持将基于LLM的reranker模型蒸馏到基于bert的reranker模型中。  # 社区交流 [加入我们微信群聊](https://www.notion.so/RAG-Retrieval-Roadmap-c817257e3e8a484b8850cac40a3fcf88) # 最新更新 - 10/21/2024: RAG-Retrieval发布基于LLM做Reranker任务的两种不同方法，以及将其蒸馏到bert中的方法。[LLM在Reranker任务上的最佳实践？A simple experiment report（with code）](https://zhuanlan.zhihu.com/p/987727357) - 6/5/2024: RAG-Retrieval的Embedding模型的MRL loss实现。[RAG-Retrieval：让MRL loss成为训练向量(embedding)模型的标配](https://zhuanlan.zhihu.com/p/701884479) - 6/2/2024: RAG-Retrieval实现基于LLM偏好监督RAG检索器微调。[RAG-Retrieval实现基于LLM偏好监督RAG检索器微调](https://zhuanlan.zhihu.com/p/701215443) - 5/5/2024:发布RAG-Retrieval的轻量级的python库[RAG-Retrieval：你的RAG应用值得更好的排序推理框架](https://zhuanlan.zhihu.com/p/692404995) - 3/18/2024:发布RAG-Retrieval [RAG-Retrieval知乎介绍](https://zhuanlan.zhihu.com/p/683483778) # Roadmap - [RAG-Retrieval Roadmap](https://www.notion.so/RAG-Retrieval-Roadmap-c817257e3e8a484b8850cac40a3fcf88) # 使用统一的方式推理不同的RAG Reranker模型 ## 为什么要做Reranker模型的推理,甚至开发一个包？ 排序模型是任何检索架构的重要组成部分，也是 RAG 的重要组成部分，但目前的现状是： - 开源的排序模型很多，在A场景表现好的模型，在B场景不一定表现好，很难知道该使用哪一个。 - 另外，新的排序模型不断的出现，如今年3月份BGE才发布的LLM Reranker，使用decoder-only的大模型来对段落重排序，非常有前景。 - 所有不同的排序模型，都倾向于自己开发一套库来进行排序，这导致了更高的壁垒，新用户需要熟悉每一种排序模型的输入和输出，以及安装各种不同的依赖。 ## rag-retrieval的特点 因此，RAG-Retrieval开发了一个轻量级的python库[rag-retrieval](https://pypi.org/project/rag-retrieval/),提供统一的方式调用任意不同的RAG排序模型，其有以下的特点。 - 支持多种排序模型：支持常见的开源排序模型(Cross Encoder Reranker,Decoder-Only 的LLM Reranker) - 长doc友好：支持两种不同的对于长doc的处理逻辑(最大长度截断，切分取最大分值)。 - 益于扩展：如果有新的排序模型，用户只需要继承basereranker，并且实现rank以及comput_score函数即可。 ## 安装环境 ```bash #为了避免自动安装的torch与本地的cuda不兼容，建议进行下一步之前先手动安装本地cuda版本兼容的torch。 pip install rag-retrieval ``` ## 支持的Reranker模型 ### Cross Encoder Reranker 对于Cross Encoder Reranker，只要其使用transformers的**AutoModelForSequenceClassification**，那么就可以使用rag_retrieval的Reranker来进行推理。举例如下。 - **bge系列的Cross Encoder模型，例如(BAAI/bge-reranker-base, BAAI/bge-reranker-large, BAAI/bge-reranker-v2-m3)** - **bce的Cross Encoder模型，例如(maidalun1020/bce-reranker-base_v1)** ### LLM Reranker 对于LLM Reranker，rag_retrieval的Reranker支持多种强大的LLM排序模型。也支持使用任意的LLM的chat模型来进行zero shot排序。举例如下。 - **bge系列的LLM Reranker模型，例如(BAAI/bge-reranker-v2-gemma, BAAI/bge-reranker-v2-minicpm-layerwise, BAAI/bge-reranker-v2-m3 )** - **也支持使用任意LLM的chat模型来进行zero shot排序** ## 使用 **rag-retrieval包详细的使用方法和注意事项可以参考[Tutorial](https://github.com/NLPJCL/RAG-Retrieval/blob/master/examples/Reranker_Tutorial.md)** **我们做了大量的测试与下面原有推理框架对齐，详见[Tests](https://github.com/NLPJCL/RAG-Retrieval/tree/master/tests)，他们需要不同的模块来执行，rag_retrieval则使用了统一的接口。** 如 FlagEmbedding的 FlagReranker,FlagLLMReranker,LayerWiseFlagLLMReranker。 如 BCEmbedding 的 RerankerModel # 微调全链路的RAG检索模型 ## 安装环境 ```bash conda create -n rag-retrieval python=3.8 && conda activate rag-retrieval #为了避免自动安装的torch与本地的cuda不兼容，建议进行下一步之前先手动安装本地cuda版本兼容的torch。 pip install -r requirements.txt ``` ## 向量（embedding）模型 - 支持微调任意开源的embedding模型（bge,m3e等等） - 支持对两种数据进行微调： - query和正例（负例采用batch内随机负例）， - query和正例以及难负例。（负例为对应的难负例，以及batch内随机负例） 微调embedding模型流程,详细的流程可参考模型目录下的Tutorial。 ```bash cd ./rag_retrieval/train/embedding bash train_embedding.sh ``` ## 迟交互式（colbert）模型 - 支持微调开源的bge-m3e模型中的colbert。 - 支持query和正例以及难负例。（负例为对应的难负例，以及batch内随机负例） 微调colbert模型流程，详细的流程可参考模型目录下的Tutorial。 ```bash cd ./rag_retrieval/train/colbert bash train_colbert.sh ``` ## 排序（reranker,cross encoder）模型 - 支持微调任意开源的reranker模型（例如，bge-rerank、bce-rerank等）。 - 支持两种数据进行微调： - query和doc的相关性为二分类（1代表相关、0代表不相关） - query和doc的相关性为score。（蒸馏任务） 微调reranker模型流程，详细的流程可参考模型目录下的Tutorial。 ```bash cd ./rag_retrieval/train/reranker bash train_reranker.sh ``` # 实验结果 ## reranker模型在 MTEB Reranking 任务的结果 | **Model** | **Model Size(GB)** |**T2Reranking** | **MMarcoReranking** | **CMedQAv1** | **CMedQAv2** | **Avg** | |:-----------:|:----------:|:----------:|:-------------:|:--------------:|:---------------:| :---------------:| | bge-reranker-base | 1.11 | 67.28 | 35.46 | 81.27 | 84.10 | 67.03 | bce-reranker-base_v1 | 1.11 |70.25 | 34.13 | 79.64 | 81.31 | 66.33 | rag-retrieval-reranker | 0.41 | 67.33 | 31.57 | 83.54 | 86.03 | 67.12 其中，rag-retrieval-reranker是我们使用RAG-Retrieval代码在hfl/chinese-roberta-wwm-ext模型上训练所得，训练数据使用bge-rerank模型的训练数据. ## colbert模型在 MTEB Reranking 任务的结果 | **Model** | **Model Size(GB)** | **Dim** | **T2Reranking** | **MMarcoReranking** | **CMedQAv1** | **CMedQAv2** | **Avg** | |:-----------: |:----------:|:----------:|:----------:|:-------------:|:--------------:|:---------------:| :---------------:| | bge-m3-colbert | 2.24 | 1024 | 66.82 | 26.71 | 75.88 | 76.83 | 61.56 | rag-retrieval-colbert | 0.41 | 1024| 66.85 | 31.46 | 81.05 | 84.22 | 65.90 其中，rag-retrieval-colbert是我们使用RAG-Retrieval代码在hfl/chinese-roberta-wwm-ext模型上训练所得，训练数据使用bge-rerank模型的训练数据. ## 用领域内数据微调开源的BGE系列模型 | **Model** | **T2ranking** | | |:-----------: |:----------:|:----------:| | bge-v1.5-embedding | 66.49| | | bge-v1.5-embedding **finetune** | 67.15 | **+0.66** | | bge-m3-colbert | 66.82| | | bge-m3-colbert **finetune** | 67.22 | **+0.40** | | bge-reranker-base | 67.28| | | bge-reranker-base **finetune** | 67.57 | **+0.29** | 后面带有finetune的代表我们使用RAG-Retrieval在对应开源模型的基础上继续微调所得，训练数据使用T2-Reranking的训练集。 值得注意的是bge的三种开源模型，训练集中已经包含了T2-Reranking，并且该数据较为通用，因此使用该数据继续微调的性能提升效果不大，但是如果使用垂直领域的数据集继续微调开源模型，性能提升会更大。 # Star History [](https://star-history.com/#NLPJCL/RAG-Retrieval&Date) # License RAG-Retrieval is licensed under the [MIT License](https://github.com/NLPJCL/RAG-Retrieval/blob/master/LICENSE).