企业官网建设流程全解析

杭州 网站建设公司排名,西安做营销型网站建设,模板网站开发,做网站高校视频一、什么是Reranker模型#xff1f; ReRanker模型是对RAG检索返回的结果进行重新排序的模型。也就是下图所示中2nd Retrieval的模型。具体来说#xff0c;ReRanker模型在RAG Pipeline中扮演着第二阶段的角色#xff0c;即在初始检索步骤之后#xff0c;对检索出的文档块ch…一、什么是Reranker模型ReRanker模型是对RAG检索返回的结果进行重新排序的模型。也就是下图所示中2nd Retrieval的模型。具体来说ReRanker模型在RAG Pipeline中扮演着第二阶段的角色即在初始检索步骤之后对检索出的文档块chunks进行重新排序以确保相关的文档块优先被传递给LLM进行处理。二、为什么需要Reranker模型在回答这个问题之前我们先深入了解一下背后的问题。RAG通过在大量文本文档中进行语义搜索来工作这些文档数量可能达到数十亿。为了实现大规模搜索的快速响应我们一般采用向量搜索技术即将文本转化为向量后放入一个向量空间内通过余弦相似度等度量标准来比较它们与查询向量之间的相似度。向量搜索的前提是需要向量。这些向量基本上是将文本背后的意义压缩成固定维度的向量如768或1536维这一过程不可避免地会导致信息丢失。因此常常会发现即便是排名靠前的文档也可能会遗漏一些关键信息。如果较低位置的文档包含了有助于LLM更好地形成回答的相关信息这些信息就很容易被忽略。这该怎么办一个简单的方法就是增加返回的文档数量即增加top_k值并将它们全部传递给LLM。我们此处关注的指标是召回率即“我们检索到了多少相关文档”。值得注意的是召回率衡量的是系统能够找到的相关文档的比例而不考虑检索到的文档总数。因此理论上通过返回所有文档可以实现完美的召回率。然而这在实际操作中是不可行的一是因为大语言模型LLM对输入文本量有一定的限制我们称之为**「上下文窗口」**。即使像Anthropic 的 Claude这样的模型拥有高达100K Token的巨大上下文窗口也不能无限制地增加输入文本量。二是当上下文窗口被过多的Token填满时大语言模型的回忆能力和执行指令的效果都会受到影响。研究表明过度填充上下文窗口会降低模型在该窗口中检索信息的能力从而影响生成回答的质量。为了解决召回率和LLM上下文窗口之间的矛盾Reranker模型提供了一种有效的解决方案。具体步骤如下最大化检索召回率在初始检索阶段通过增加向量数据库返回的文档数量即增加 top_k 值可以提高检索的召回率。这意味着尽可能多地检索相关文档确保不会遗漏任何可能有助于 LLM 形成高质量回答的信息。重新排序并筛选最相关的文档在第二阶段使用 Reranker 模型对检索到的大量文档进行 重新排序。Reranker 模型能够更精确地评估查询与文档的相 关性筛选出最相关的文档并减少最终传递给 LLM 的文档 数量。这一步骤的关键在于重新排序根据查询和文档的相关性分数对文档进行重新排序。筛选只保留最相关的文档确保这些文档在 LLM 的上下文窗口内。确保 LLM 处理高质量信息通过上述两步Reranker 模型不仅提高了检索的召回率还确保了传递给 LLM 的文档是最相关的。这使得 LLM 能够基于高质量的信息生成更准确、更有价值的回答同时避免了上下文窗口过载的问题。三、Reranker模型的原理重排序模型也被称为Cross-Encoder是一种模型能够针对一个查询和文档对输出它们的相似度分数。我们利用这个分数对文档按照与查询的相关性进行重新排序。其本质是一个包含两阶段的检索系统第一阶段快速检索Vector DB或Bi-Encoder检索使用双编码器Bi-Encoder或稀疏嵌入模型从大数据集中快速提取一组相关文档。这一阶段的核心目标是高效地缩小搜索范围确保能够在短时间内处理大规模数据集。双编码器将查询和文档分别编码为向量并通过余弦相似度等度量标准计算它们的相似性。第二阶段精确重排序Reranker / Cross-Encoder使用重排序模型Reranker对第一阶段提取的文档进行重新排序。Reranker模型能够更精确地评估查询与文档的相关性输出它们的相似度分数并根据相似度分数对文档进行重新排序返回最相关的前K个文档。这一阶段的目标是提高检索结果的相关性确保最相关的文档优先传递给大语言模型LLM。四、为什么采用两阶段策略是因为从大数据集中检索少量文档的速度远快于对大量文档进行重排序。简而言之重排序器处理较慢而检索器速度快。尽管重排序器的处理速度较慢但我们仍然选择使用它们关键在于其精确度远超过嵌入模型。双编码器Bi-Encoder精度较低的根本原因在于双编码器将文档和查询分别编码为固定维度的向量如768或1536维这一过程不可避免地会导致信息丢失。文本的丰富语义被压缩成一个低维向量无法完全保留原始文本的所有潜在含义。双编码器在用户提出查询之前就已经创建了嵌入因此它对查询的具体内容一无所知。这意味着它只能生成一个泛化的、平均化的含义而无法针对具体查询进行优化。这种静态的嵌入方式限制了其在处理复杂查询时的表现。而重排序器Reranker / Cross-Encoder能够在大型Transformer中直接处理原始文本信息避免了信息压缩带来的损失。它可以直接分析查询和文档的原始文本确保所有相关信息都能被充分考虑。然而尽管重排序器具有更高的精度但它也有代价就是需要更多的时间来生成相似度分数。因此在实际应用中通常会结合两者优势采用两阶段检索策略第一阶段使用双编码器快速检索出一批候选文档。第二阶段使用重排序器对这批候选文档进行重新排序确保最终返回的文档是最相关的。这种组合方式既能保证检索的速度又能提高结果的准确性。例如在处理4000万条记录的情况下如果仅使用重排序器可能会需要超过50小时来返回一个查询结果而使用双编码器和向量搜索则可以在不到100毫秒内完成初步筛选。随后再用重排序器对筛选出的少量文档进行精排既提高了效率又保证了质量。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】