本文是LLM系列文章，针对《In-Context Retrieval-Augmented Language Models》的翻译。

摘要

检索增强语言建模（RALM）方法在生成过程中对基础语料库中的相关文档设置语言模型（LM），可以显著提高语言建模性能。此外，它们可以缓解事实上不准确的文本生成问题，并提供自然的来源归因机制。现有的RALM方法侧重于修改LM体系结构，以促进外部信息的合并，从而使部署显著复杂化。本文考虑了一个简单的替代方案，我们称之为上下文RALM：保持LM架构不变，并为输入准备基础文档，而不需要对LM进行任何进一步的训练。我们发现，建立在现成的通用检索器上的上下文RALM在模型大小和不同的语料库中提供了惊人的大LM增益。我们还证明了文档检索和排序机制可以专门用于RALM设置，以进一步提高性能。我们得出的结论是，In-Context RALM在增加LM基准的流行率方面具有相当大的潜力，特别是在必须在不修改甚至通过API访问的情况下使用预训练的LM的情况下。

1 引言

2 相关工作

3 我们的框架

4 实验细节

5 具有现成检索器的上下文RALM的有效性

6 用面向LM的重新排序改进上下文RALM

7 用于开放域问答的上下文RALM

8 讨论

从外部来源检索已成为知识密集型任务中的一种常见做法（如事实问答、事实核查等）。与此同时，LM生成能力的最新突破使LM能够生成有用的长文本。然而，事实上的不准确仍然是机器生成的文本可能达不到要求的常见方式，而且缺乏直接出处使人们很难信任机器生成的文字。这使得语言建模成为知识基础的一个有前途和紧迫的新应用领域，并推动了RALM方法的推广。当然，先前的研究已经对RALM进行了研究，但尚未广泛部署。一个可能的原因是，现有的方法依赖于对LM的微调，这通常是困难和昂贵的，并且对于仅通过API访问的LM来说甚至是不可能的。
本文提出了InContext RALM的框架，使冻结的现成LMs能够从检索中受益。我们证明了使用通用检索器可以获得显著的性能增益，并表明通过根据LM设置调整文档选择可以获得额外的增益。Muhlgay等人最近的一项工作（2023）表明，上下文RALM确实能够提高大型LMs的真实性。
今后的工作还有几个需要进一步改进的方向。首先，本文只考虑将单个外部文件置于上下文中的情况；增加更多的文档可以推动进一步的收益（例如，使用Ratner等人的框架）。其次，我们每隔一个固定的$s$个token间隔就检索文档，但通过更稀疏的检索，例如只有在专门的模型预测需要检索时，我们才看到了巨大的延迟和成本收益的潜力。
我们发布了这项工作中使用的代码，供社区使用和改进。我们希望它能推动对RALM的进一步研究，从而使其得到更广泛的采用。