VisRAG：清華大學(xué)&面壁智能提出了一種新的RAG思路，效果提升明顯

發(fā)布于 2024-10-21 12:59

瀏覽

0收藏

1. 為啥要提出VisRAG？

檢索增強(qiáng)生成（Retrieval-augmented generation, RAG）已經(jīng)成為解決LLM幻覺(jué)和知識(shí)更新的經(jīng)典方案，典型的RAG流程是基于文本的（以下簡(jiǎn)稱(chēng)TextRAG），以分割后的文本作為檢索單元。

但是在真實(shí)場(chǎng)景中，知識(shí)往往以多模態(tài)的形式出現(xiàn)，比如教科書(shū)、手冊(cè)等。這些文檔中的文本與圖像交織在一起。為了從這類(lèi)數(shù)據(jù)源中提取文本，通常需要一個(gè)解析階段，這包括布局識(shí)別、光學(xué)字符識(shí)別（OCR）和文本合并等后處理步驟。雖然這種方法在大多數(shù)情況下是有效的，但解析過(guò)程還是會(huì)不可避免地引入錯(cuò)誤，從而對(duì)檢索和生成階段產(chǎn)生負(fù)面影響。

TextRAG只利用了文本信息，忽略了其他模態(tài)，如圖像中可能包含的信息。盡管已經(jīng)對(duì)圖像檢索和多模態(tài)RAG進(jìn)行了研究，但這些研究主要集中在預(yù)定義場(chǎng)景中，其中圖像和描述性文本已經(jīng)被正確提取和配對(duì)，與現(xiàn)實(shí)世界中文本和圖像（包括圖形）常常交錯(cuò)在單個(gè)文檔頁(yè)面內(nèi)的情況有所不同。

所以，本文作者提出了一種VisRAG，旨在探索完全基于視覺(jué)語(yǔ)言模型（VLMs）構(gòu)建純視覺(jué)RAG流程的可行性。

2. 什么是VisRAG？

VisRAG是一種新型視覺(jué)檢索增強(qiáng)生成系統(tǒng)，由VLM驅(qū)動(dòng)的檢索器VisRAG-Ret和生成器VisRAG-Gen組成。

VisRAG：清華大學(xué)&面壁智能提出了一種新的RAG思路，效果提升明顯-AI.x社區(qū) 圖片

如上圖（左邊）所示，TextRAG 通常使用基于文本的單元進(jìn)行檢索和生成。右邊是 VisRAG，與傳統(tǒng)RAG框架利用文本片段進(jìn)行檢索和生成不同，VisRAG通過(guò)文檔圖像來(lái)保留全部信息，確保數(shù)據(jù)的完整性。

2.1 檢索階段

VisRAG的首個(gè)環(huán)節(jié)，即VisRAG-Ret，在給定查詢(xún)q的情況下，從文檔集合D中檢索出一系列頁(yè)面。

借鑒了文本密集檢索器的 Bi-Encoder 架構(gòu)，將查詢(xún)和文檔（直接使用文檔圖像，而非依賴(lài)提取的文本內(nèi)容）映射到嵌入空間。

Bi-Encoders：將句子 A 和 B 獨(dú)立地傳遞給 BERT，從而產(chǎn)生句子嵌入 u 和 v，然后可以使用余弦相似度比較。

查詢(xún)和頁(yè)面在VLM中分別以文本和圖像的形式獨(dú)立編碼，為了得到最終的嵌入向量，采用了位置加權(quán)平均池化處理VLM的最后一層隱藏狀態(tài)。

2.2 生成階段

VisRAG的第二環(huán)節(jié)：VisRAG-Gen，利用視覺(jué)語(yǔ)言模型（VLM）根據(jù)用戶(hù)查詢(xún)和檢索出的頁(yè)面生成答案。考慮到檢索出的頁(yè)面往往都不止一頁(yè)，而大多數(shù)多模態(tài)大模型只能接受單張圖片，所以提出了兩種方案來(lái)實(shí)現(xiàn)：

? 頁(yè)面合并（Page Concatenation）：將檢索出的頁(yè)面合并為一張圖片，在VisRAG中，作者主要嘗試的是水平合并。

? 加權(quán)篩選（Weighted Selection）：讓VLM為top-k中的每個(gè)頁(yè)面生成一個(gè)答案，并選擇置信度最高的答案作為最終答案。

3. 效果對(duì)比

3.1 檢索性能

對(duì)比了VisRAG-Ret與三種情況模型進(jìn)行對(duì)比：

? a. 現(xiàn)成模型

? b. 僅利用合成數(shù)據(jù)的跨領(lǐng)域模型

? c. 同時(shí)利用領(lǐng)域內(nèi)和合成數(shù)據(jù)

VisRAG：清華大學(xué)&面壁智能提出了一種新的RAG思路，效果提升明顯-AI.x社區(qū) 圖片

如上表(a)(b)所示，VisRAG-Ret在跨領(lǐng)域數(shù)據(jù)上的訓(xùn)練成果超越了所有現(xiàn)成基線模型，包括文本和視覺(jué)模型。它顯著地優(yōu)于BM25和bge-large，并超越了擁有7.85B參數(shù)的先進(jìn)文本檢索模型NV-Embed-v2。

bge-large和NV-Embed-v2是在數(shù)百萬(wàn)查詢(xún)-文檔對(duì)上訓(xùn)練的，比VisRAG-Ret訓(xùn)練數(shù)據(jù)多出10倍。盡管bge-large在MTEB等基準(zhǔn)測(cè)試中勝過(guò)BM25，但在作者的數(shù)據(jù)集上表現(xiàn)不佳，表明：在干凈文本上訓(xùn)練的嵌入模型難以應(yīng)對(duì)現(xiàn)實(shí)世界文檔解析出的文本。

當(dāng)在相同的數(shù)據(jù)設(shè)置下訓(xùn)練時(shí)，VisRAG-Ret顯著超越了文本模型MiniCPM (OCR) & (Captioner)和視覺(jué)模型SigLIP。

在跨領(lǐng)域環(huán)境中，VisRAG-Ret的優(yōu)勢(shì)更加明顯，相較于MiniCPM (OCR)和SigLIP分別實(shí)現(xiàn)了15%和22%的提升，而在領(lǐng)域內(nèi)環(huán)境中提升為8%和10%。說(shuō)明VisRAG-Ret相比以文本和視覺(jué)為中心的模型具有更佳的泛化能力。

盡管MiniCPM (Captioner)使用了相同的VLM MiniCPM-V 2.0進(jìn)行解析，但其表現(xiàn)不及VisRAG-Ret，這表明直接用VLMs編碼比用VLMs解析更為有效。可能是因?yàn)樵趯⒍嗄B(tài)信息轉(zhuǎn)錄為文本時(shí)不可避免地會(huì)有信息損失。

MiniCPM (OCR)和SigLIP在不同數(shù)據(jù)集上的表現(xiàn)各異：

? SigLIP在ArxivQA和ChartQA中表現(xiàn)出色，而MiniCPM (OCR)在DocVQA和InfographicsVQA中顯著優(yōu)于SigLIP。這可能是因?yàn)閮蓚€(gè)模型的關(guān)注點(diǎn)不同：MiniCPM側(cè)重于文本，而SigLIP側(cè)重于視覺(jué)信號(hào)。

? VisRAG-Ret基于MiniCPM-V 2.0構(gòu)建，結(jié)合了SigLIP編碼器和MiniCPM語(yǔ)言模型的優(yōu)勢(shì)，在所有數(shù)據(jù)集上均有良好表現(xiàn)，能夠從文檔中捕獲更全面的信息。

與ColPali相比，ColPali是一個(gè)多向量文檔頁(yè)面嵌入模型，VisRAG-Ret保持了優(yōu)越的性能，實(shí)現(xiàn)了更佳的內(nèi)存效率。ColPali用分布在1030個(gè)128維向量上的256KB數(shù)據(jù)表示一頁(yè)，而VisRAG-Ret僅使用單個(gè)2304維向量的4.5KB。這使得VisRAG-Ret更適合在現(xiàn)實(shí)世界的應(yīng)用中擴(kuò)展至數(shù)百萬(wàn)或數(shù)十億文檔。

3.2 生成性能

在統(tǒng)一的檢索智能體VisRAG-Ret之上，應(yīng)用了多種基于文本和視覺(jué)的生成器和方法，探究它們?cè)诮o定查詢(xún)和檢索文檔的情況下生成答案的能力。

VisRAG：清華大學(xué)&面壁智能提出了一種新的RAG思路，效果提升明顯-AI.x社區(qū) 圖片

上表展示了多種生成方式的效果：

? a. 基于文本的生成（TextRAG-Gen）

? b. 采用單張圖片輸入的VLM MiniCPM-V 2.0進(jìn)行的生成

? c. 采用能接受多張圖片輸入的VLM進(jìn)行的生成

當(dāng)模型僅被提供真實(shí)文檔（"Oracle"）時(shí)，直接處理文檔圖像的VisRAG-Gen模型顯著超越了僅依賴(lài)提取文本的RAG-Gen模型。比如：MiniCPM-V 2.0在利用真實(shí)文檔時(shí)的性能比MiniCPM (OCR)高出36%。從文檔中提取答案時(shí)視覺(jué)線索的關(guān)鍵作用，并顯示出VisRAG-Gen相比TextRAG-Gen有著更高的性能潛力。

在實(shí)際應(yīng)用場(chǎng)景中，模型通常會(huì)接收到包含噪聲的前1至3個(gè)檢索文檔，VisRAG-Gen在同一系列模型中持續(xù)超越TextRAG-Gen。

特別是對(duì)于僅能處理單張圖片的MiniCPM-V 2.0，加權(quán)選擇方法在處理2或3個(gè)檢索文檔時(shí)，比頁(yè)面合并方法展現(xiàn)出更優(yōu)的表現(xiàn)。簡(jiǎn)單的合并可能會(huì)向VLM傳遞過(guò)多不必要的信息，而加權(quán)選擇則基于各個(gè)文檔的條件，通過(guò)多個(gè)VLM輸出來(lái)篩選答案，從而減輕了信息負(fù)載。

TextRAG流程通常因檢索文檔數(shù)量的增加而受益，因?yàn)檫@能更好地覆蓋信。然而，盡管加權(quán)選擇增強(qiáng)了性能的穩(wěn)健性，但采用這種方法時(shí)，隨著檢索文檔數(shù)量的增加，并沒(méi)有帶來(lái)顯著的性能提升。值得注意的是，僅有最先進(jìn)的VLM，如能處理多張圖片的GPT-4o，隨著檢索文檔數(shù)量的增加，表現(xiàn)出明顯的性能提升。這表明對(duì)多張圖片進(jìn)行推理對(duì)當(dāng)前的VLM來(lái)說(shuō)仍是一個(gè)挑戰(zhàn)。