CoRAG是由微软与人大提出的新型RAG模型训练方法，旨在解决传统RAG在复杂查询中效果有限的问题。该方法通过拒绝采样自动生成中间检索链，扩展现有RAG数据集。每个检索链包含一系列子查询和子答案，模型通过逐步检索和推理来接近最终答案。实验结果表明，CoRAG在多跳问答和KILT基准测试中表现出色，显著提高了EM分数和准确率，尤其是在需要复杂推理的任务中，性能优于其他模型。

🔍 CoRAG模型的核心在于通过拒绝采样自动生成中间检索链，从而增强RAG数据集，每个链由一系列子查询和子答案组成，模型通过逐步检索和推理来更精确地找到最终答案。

📚 CoRAG的训练过程包括使用增强后的数据集对开源语言模型进行微调，训练任务涵盖子查询预测、子答案预测和最终答案预测，从而提升模型在复杂推理任务中的性能。

💡 CoRAG模型在测试时提供多种解码策略，如贪婪解码、最佳采样和树搜索，以控制计算量，并通过调整检索链长度和采样数量来平衡性能和计算成本。

2025-02-02 16:44 云南

传统 RAG 方法通常只在生成前执行一次检索，这在处理复杂查询时效果有限。微软&人大提出了一种用于训练o1-like的RAG模型的方法CoRAG，在生成最终答案之前逐步检索并推理相关信息。

CoRAG（Chain-of-Retrieval Augmented Generation） 的核心在于通过 拒绝采样（rejection sampling） 自动生成中间检索链，从而扩展现有的 RAG 数据集。每个检索链由一系列子查询和子答案组成，模型通过逐步检索和推理来逐步接近最终答案。

CoRAG概览。利用拒绝采样为仅包含问答对的数据集增加检索链。每条链从原始查询开始，随后是一系列子查询和子答案。然后对开源的大型语言模型（LLM）进行微调，以基于当前状态预测下一步操作。在推理过程中，提供了多种解码策略来控制测试时的计算量。

检索链生成：通过拒绝采样生成中间检索链，每个链由子查询和子答案组成。模型根据当前状态动态生成新的子查询，并通过检索获取子答案。

模型训练：使用增强后的数据集对开源语言模型进行微调。训练任务包括子查询预测、子答案预测和最终答案预测。

测试时解码策略：提出多种解码策略（如贪婪解码、最佳采样和树搜索）来控制测试时的计算量，通过调整检索链长度和采样数量来平衡性能和计算成本。

实验评估了 CoRAG 在多个基准测试中的表现，包括多跳问答数据集（如 2WikiMultihopQA、HotpotQA 和 MuSiQue）和 KILT 基准测试（涵盖多种知识密集型任务）。

多跳问答任务：CoRAG 在这些任务中表现优异，与强大的基线模型相比，EM（Exact Match）分数提高了超过 10 个百分点。例如，在 MuSiQue 数据集中，CoRAG 的 EM 分数达到了 72.5%，显著优于其他模型。

KILT 基准测试：CoRAG 在几乎所有任务上都取得了新的最佳性能，尤其是在需要复杂推理的任务中。例如，在 FEVER 任务中，CoRAG 的准确率达到了 93.1%，接近甚至超过了部分参数量更大的模型。

CoRAG 模型在测试时可以通过增加检索链长度和采样数量来显著提升性能，尤其是在处理复杂推理任务时。然而，这种提升存在边际效应，且不同数据集的扩展行为存在显著差异。

HotpotQA数据集验证集中的示例。为简洁起见，每一步检索到的文档均已省略。正确答案以蓝色突出显示，错误答案以红色突出显示。

https://arxiv.org/pdf/2501.14342Chain-of-Retrieval Augmented Generation

推荐阅读

• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO

• DeepSeek R1/o1大型推理模型蓝图：架构设计及快速原型实现框架x1

• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。

阅读原文

跳转微信打开