一、結論寫在前面

論文來自Meta Reality Labs、FAR、Meta、HKUST、HKUST (GZ)

論文標題：CRAG -- Comprehensive RAG Benchmark

論文鏈接：??https://arxiv.org/pdf/2406.04744???

檢索增強生成（Retrieval-Augmented Generation ，RAG）最近作為一種有前景的解決方案出現，以緩解大型語言模型（LLM）在知識缺乏方面的不足。然而，現有的RAG數據集并未充分代表真實世界問答（QA）任務的多樣性和動態性。

為了彌合這一差距，論文引入了綜合性RAG基準測試（CRAG），這是一個包含4，409個問答對的事實問答基準，并模擬了網絡和知識圖譜（KG）搜索的API。這包括每個問題最多可從現實世界的搜索引擎——Brave Search API [4]返回的50個完整HTML頁面，以及包含260萬個實體的模擬知識圖譜（KGs）。對于模擬的KGs，論文設置了詳細的實體和關系以模擬真實情況。

CRAG包含來自五個領域（金融、體育、音樂、電影和開放領域）的4，409個問答對。除了簡單事實問題（詢問實體的屬性），CRAG還包含七種類型的復雜問題，以涵蓋真實的用戶查詢：帶有條件的問題、比較問題、聚合問題、多跳問題、集合查詢、后處理繁重的問題和錯誤前提問題。CRAG反映了從流行到長尾的實體多樣性和從秒到年的時間跨度，便于深入洞察。在論文生成問題時，論文參考了智能助手的用例，確保問題現實，通過改寫問題增加表達的多樣性，并手動驗證事實真相以確?？煽啃?。    

論文對這一基準的評估突顯了完全可信賴的QA之間的差距。盡管大多數先進的LLMs在CRAG上的準確率低于34%，但簡單地加入RAG僅將準確率提升至44%。業界最先進的RAG解決方案在不產生任何幻覺的情況下僅能回答63%的問題。CRAG還揭示了在回答涉及更高動態性、較低流行度或更高復雜度事實的問題時準確率顯著降低，這為未來的研究方向提供了建議。CRAG基準為2024年KDD Cup挑戰賽奠定了基礎，吸引了數千名參賽者并在比賽的前50天內提交了作品。

二、論文的簡單介紹

2.1 論文的背景

檢索增強生成(Retrieval-Augmented Generation，RAG)最近被視為緩解大型語言模型缺乏知識這一缺陷的有前景解決方案，吸引了來自學術界和工業界的大量關注。給定一個問題，RAG系統會搜索外部資源以檢索相關信息，然后提供有根據的答復。盡管具有潛力，RAG仍然面臨諸多挑戰，例如選擇最相關的信息、減少問答延遲以及綜合信息來回答復雜問題。

              圖1：使用LLMs進行QA（a）無RAG與（b)有RAG的對比

目前，為了推動這一領域的持續研究，一個全面的基準尚未建立。傳統的QA基準，如Natural Questions 、TriviaQA和MS MARCO，在過去十年中推動了QA的發展，但并未充分代表RAG面臨的多樣化和動態挑戰。專注于LLM或RAG的新基準，如FreshQA 和RGB ，通常針對LLM的某些能力，并且只包含幾百個查詢。論文工作的目標是建立一個全面的基準，以推動該領域的發展。

表1：CRAG與現有事實問答基準的比較

論文的第三個貢獻是對直接的RAG解決方案和行業內最先進的RAG解決方案進行了全面的評估（第5節）。盡管大多數先進的LLMs在CRAG上達到34%的準確率，但以直接方式添加RAG僅將準確率提升至44%。行業內最先進的RAG解決方案在回答問題時僅有63%的準確率，且在處理動態性更高、流行度更低或復雜度更高的事實相關問題時，準確率仍然較低。這些評估具有雙重作用：首先，它們證明了CRAG具有適當的難度水平，并允許從基準所包含的不同維度的多樣性中得出見解；其次，它們突出了實現完全可信賴的QA系統的差距和研究方向。

CRAG基準為KD Cup 2024挑戰奠定了基礎，吸引了數千名參與者并在比賽的前50天內提交了大量作品。論文承諾將持續維護CRAG，以服務于研究社區，推動RAG解決方案和通用QA解決方案的發展。

與現有基準的比較。表1將CRAG與現有的事實問答基準進行了比較，展示了CRAG基準的幾個優勢：全面覆蓋、真實測試與模擬API、動態問題處理、多樣的事實流行度以及廣泛超越維基百科。

這些特點使得CRAG成為一個強大且多功能的基準，用于測試RAG系統和廣泛的QA系統，為評估這些系統如何處理現實世界、動態和多樣化的信息檢索與合成挑戰提供了共享測試平臺，以實現基于可靠LLM的問答。

2.2 問題描述

一個RAG QA系統接收一個問題Q作為輸入，并輸出一個答案A；答案由LLMs根據從外部來源檢索的信息或直接從模型內化的知識生成。答案應提供有用的信息以回答問題，而不添加任何幻覺。    

論文設計了三個任務。它們共享相同的一組（問題，答案）對，但在用于增強QA的可檢索外部數據方面有所不同。在此，論文提供可在QA中利用的內容，以確保公平比較。論文將在第3節中描述數據生成的方式。

任務1：檢索摘要。在任務1中，論文為每個問題提供最多五個網頁。這些網頁可能與問題相關，但不保證一定相關。此任務旨在測試RAG系統的答案生成能力。

任務2：知識圖譜和網絡檢索增強。在任務2中，論文還額外提供了模擬API以訪問底層模擬知識圖譜中的信息。模擬知識圖譜存儲與問題相關的結構化數據；問題的答案可能存在于也可能不存在于模擬知識圖譜中。模擬API接受輸入參數，通常是從問題解析得到的，并從模擬的知識圖譜中提供結構化數據以支持答案生成。此任務測試RAG系統如何有效地查詢結構化數據源以及如何綜合不同來源的信息。

表2：CRAG問題類型的定義

任務3：端到端RAG。與任務2類似，任務3也同時提供網絡搜索結果和模擬API作為檢索候選，但提供50個網頁作為候選，而不是5個。更大數量的網頁更可能提供回答問題所需的必要信息，但同時更可能包含噪音。因此，任務3還測試RAG系統如何對更大數量的檢索結果進行排序。

2.3 數據集描述

CRAG包含兩部分數據：問答對和用于檢索的內容。論文現在描述每一部分的數據。

2.3.1 問答對

CRAG涵蓋五個領域：金融、體育、音樂、電影和開放領域，以及八種類型的英語問題。問題類型列于表2中。論文構建的問答對既來自底層知識圖譜（KGs）也來自網頁內容。

來自KGs的問答對。論文通過收集一組基于公開可用數據的實體，并根據選定的實體類型和關系創建了600多個問題模板。接下來，論文按照[2l]從KGs中抽取不同流行度（頭部、軀干和尾部）的實體來填充模板，并生成完整的問題和答案。

來自網頁內容的問答對。論文要求標注者寫下用戶可能提出的問題（例如，“2023年最受歡迎的動作電影”），并從相應的網頁搜索結果中創建問答對。

使用上述方法，論文收集了2，425個Web問題和1，984個KG問題，其中661個、658個和665個KG問題分別包含頭部、軀干和尾部實體。表3和表4總結了問題在不同維度上的分布情況。每個維度切片的大?。ɡ?，快速變化的事實）使論文能夠在大多數情況下獲得小于5%的誤差范圍（置信度為95%）的指標。動態分布大致反映了領域的性質（例如，金融領域的實時問題比其他領域多得多）。

表3：每個動態類別的問題數量和百分比（括號內為百分比），手動確定。金融和體育領域擁有最多的實時和快速變化的問題

表4：每個問題類型的問題數量和百分比（括號內為百分比），手動確定。簡單和帶有條件的問題構成所有問題的43%    

2.3.2 檢索內容

為了模擬RAG的實際應用場景，論文包含了兩種類型的檢索內容：網頁搜索和知識圖譜（KG）搜索。

網頁搜索結果。對于每個問題，論文使用問題文本作為搜索查詢，并從Brave搜索API [4] 中存儲最多50個HTML頁面。論文采用基于啟發式的方法估算網頁搜索的召回率（50個網頁）：首先檢查50個頁面中是否包含標準答案URL；如果不包含，則搜索頁面摘要或內容中是否包含標準答案中的事實。估算的召回率在Web Questions中為84%，在KG Questions中為63%（見附錄A.1.5中的表9），這與論文的直覺一致，即KG問題中的主體和尾部實體可能未包含在返回的50個頁面中。

模擬知識圖譜（Mock KGs）。論文創建了包含公開可用KG數據、隨機選擇的同類型實體以及具有相似名稱的“硬負例”實體（例如，“phantom”對應“phantom of the opera”）的模擬KG。

模擬API。論文創建了具有預定義參數的模擬API，以支持在模擬KG中的結構化搜索。例如，對于詢問股票價格的查詢，一個模擬API的示例形式為get-price history(ticker)。    

2.4 評價指標與評估

2.4.1評價指標

論文采用一種評分方法來評估RAG系統的性能。對于評估集中的每個問題，論文首先根據以下標準將答案標記為完美、可接受、缺失或不正確。

完美。該響應正確回答了用戶的問題，并且沒有包含幻覺內容。

可接受。該響應為用戶的問題提供了一個有用的答案，但可能包含一些不影響答案有用性的輕微錯誤。

缺失。該響應為“不知道?！薄皩Σ黄穑也坏?。”，或者是空白響應，或者是系統請求澄清原始問題。

不正確。該響應提供了錯誤的或與回答用戶問題無關的信息。

然后，論文使用一種評分方法Score，對于完美、可接受、缺失和不正確的答案分別給予1分、0.5分、0分和-1分，其中論文懲罰幻覺答案，并更傾向于缺失答案而不是不正確的答案。對于給定的RAG系統，論文計算評估集中所有示例的平均分數作為最終分數。

2.4.2 評估

與先前的工作[26]類似，論文采用了人類評估（human-eval）和模型自動評估（auto-eval）兩種方法。在前者中，論文使用人工評分來判斷每個答案是完美、可接受、缺失還是不正確。在后者中，論文將完美和可接受合并，稱之為準確，并使用三向評分Scorea，對于準確、不正確和缺失的答案分別給予1分、-1分和0分。

論文設計了一種兩步法來自動評估：如果答案完全匹配標準答案，則視為準確；否則，使用大型語言模型（LLMs）來判斷響應是準確、錯誤還是缺失。為避免自我偏好問題，論文采用兩個LLM評估器：ChatGPT（gpt-3.5-turbo）和Llama 3（1lama-3-70B-instruct），并對每個RAG系統報告這兩個模型的平均準確率、幻覺率、缺失率和得分。論文的離線實驗顯示，這種兩步法相較于人工評估，ChatGPT的平均F1分數為94.7%，Llama 3為98.9%。

測試數據分割。論文將數據隨機分為驗證集、公開測試集和私有測試集，比例為30%、30%和40%，并發布了驗證集和公開測試集供KDD Cup挑戰使用。    

2.5 基準測試

，論文將展示LLMs和RAG系統在CRAG上的性能，證明CRAG具有合理的難度水平，并能幫助在開發RAG技術時提供洞察和方向。

2.5.1 直接的RAG解決方案

實驗設置：論文首先在CRAG公開測試集上運行僅LLM的解決方案，該測試集包含1，335個問題，使用簡單的提示鼓勵簡短答案，并在信心不足時給出“我不知道”的答案。論文采用了Llama 2 Chat（llama-2-7b-chat和llama-2-70b-chat）、Llama 3 Instruct（llama-3-8B-instruct和llama-3-70B-instruct）和GPT-4 Turbo 。論文評估的僅基于網頁的RAG解決方案（任務1）使用固定長度的網頁上下文窗口（Llama 2 Chat為2K token，Llama 3 Instruct和GPT-4 Turbo為4Ktoken）；論文按照數據中的原始順序連接網頁片段作為參考文本，直至填滿窗口。

論文的基于知識圖譜（KG）的解決方案（任務2、3）還額外使用固定長度的KG上下文窗口（Llama 2 Chat為1Ktoken，Llama 3 Instruct和GPT-4 Turbo為2Ktoken）以包含Mock API的結果；論文使用llama-3-8B-instruct進行上下文學習來提取相關查詢實體，并連接所有適用的Mock API返回的結果（基于提取的實體），直至填滿窗口。本節論文討論Llama 3 70B Instruct和GPT-4 Turbo的結果。

表5：直接RAG解決方案的性能。所有數字均為百分比。僅LLM解決方案的準確率最高可達34%，直接RAG解決方案的準確率最高可達44%

              圖2展示了僅使用LLM和任務3解決方案在不同領域、動態性、流行度和問題類型下的自動評估得分（以百分比表示)

表5顯示了來自兩個自動評估器（ChatGPT和Llama 3）的平均評估得分，并說明CRAG基準并非易事:

?首先，最佳的LLM-only解決方案（GPT-4 Turbo）僅達到349%的準確率，得分僅為20%，顯示出巨大的改進空間。

?其次，直接的RAG解決方案最高可達44%%的準確率，表明額外的信息確實有助于更可靠地回答更多問題。有趣的是，沒有任何RAG解決方案的得分超過20%%；這是因為所有RAG解決方案都引入了更多由無關檢索結果產生的幻覺，顯示出RAG中的一個重大挑戰——如何審慎地使用檢索結果而不被檢索噪音干擾？

?第三，論文發現任務2的得分高于任務1，表明KG知識有助于提高準確率，且幻覺率相似甚至更低，因為KG知識通常簡潔而精確。遺憾的是，這種改進并不顯著，顯示出RAG中的第二個挑戰——如何最大限度地利用KG數據的力量？最后，任務3的得分也高于任務2，這是由于更好的搜索排名（回想任務1和2提供的是從前10搜索結果中隨機選擇的五頁）和更好的搜索召回。這表明搜索排名在RAG中的重要性。

圖2展示了在領域、動態性、流行度和問題類型維度上的自動評估分數。結果揭示了許多有趣的觀察，并表明CRAG基準允許更深入的結論。    

?首先，它展示了基準中哪些部分更難。例如，論文發現在金融和體育領域，對于實時和快速變化的事實，對于尾部實體，以及對于需要集合答案、后處理和具有錯誤前提的復雜問題的RAG分數顯著較低。

?其次，它顯示了在哪些方面更難利用檢索結果。以流行度切片為例，論文觀察到GPT-4 Turbo的分數從頭部（21%）下降到表6：使用行業最先進的RAG系統對CRAG問題進行基準測試。完美、可接受（Acc.）、幻覺（IHall.）、缺失（Miss.）率和分數n，以百分比表示。最佳系統達到51%的分數，并為高達63%的問題提供完美答案。

圖3：SOTA系統在不同維度上的人類評估得分（百分比）    

2.5.2 工業界最先進的解決方案

接下來，論文在CRAG公共測試集上評估了工業界最先進（SOTA）的RAG解決方案。論文選擇了四個基于SOTA LLMs和搜索引擎構建的RAG系統，使用CRAG問題查詢它們，收集了響應，并應用了手動評分。

此外，論文為問題應用了流量權重，以理解實際使用場景中的解決方案。流量權重來自一個真實的QA用例，并按如下方式生成。在每個領域內，論文首先將問題聚類到子領域（例如，當前游戲積分、體育隊伍），然后從反映用戶交互的聚合數據中導出子領域權重。論文將子領域權重應用于每個CRAG問題，以將結果與用戶體驗相對應，并在表6中報告了所有領域的宏觀平均得分（即，給予所有領域相同的權重）。

表6和圖3展示了SOTA系統的整體性能及其在不同維度上的表現。評估結果證實了論文的觀點，即CRAG基準揭示了有趣的見解，并為現有的RAG解決方案提供了改進空間。

?首先，SOTA解決方案的得分遠高于直接解決方案（最高達51%）。然而，加權幻覺率在17%至25%之間，因此答案仍不可靠。需要注意的是，SOTA解決方案與直接解決方案之間的得分不完全可比，因為它們訪問檢索內容的方式不同，前者使用自動評估，而后者使用人工評估；但趨勢是有效的。

?其次，在直接解決方案中觀察到的多數難點對于SOTA解決方案仍然具有挑戰性：實時快速變化的查詢，以及涉及軀干和實體的問題，表明系統在依賴檢索結果回答問題時處理檢索噪聲方面需要改進；另一個例子是，對于需要多跳推理或后處理的查詢，得分較低，顯示了問答中推理能力的提升空間

?第三，第三SOTA系統的加權準確率（完美+可接受）略高于第二系統（73%和70%），但幻覺率顯著更高（25.19%和16.6%），表明構建RAG系統時，在無法找到確信答案的情況下明智地回答“我不知道”的必要性。

?最后，在集合和錯誤前提問題上的得分，SOTA解決方案相比直接解決方案有了顯著提升，展示了RAG系統在提供準確完整集合答案和檢測錯誤前提方面的進步。    

最后，論文觀察到非常不同的延遲，范圍從2.5秒到11.6秒，這反映了在延遲和質量之間權衡的不同設計選擇。需要注意的是，延遲結果來自于與Perplexity.ai的API以及與其他系統的網頁界面的交互。

本文轉載自 ??AI帝國??，作者： 無影寺