产品亮点
全面且可定制的RAG框架，集成检索器、重排序器、生成器和压缩器等核心组件，提供36个基准数据集和9种先进算法，辅以高效预处理脚本，简化流程，轻松实现复杂RAG场景下的模型测试与验证。
2. PaddleNLP: 超大Batch嵌入表示学习和多硬件高性能推理
PaddleNLP提供一站式大语言模型解决方案，支持超大Batch嵌入学习，多硬件高性能推理，涵盖了INT8/INT4量化技术，以及PageAttention、FlashDecoding等高效的注意力机制优化和TensorCore深度优化，从而大幅提升训练与推理效率，全方位满足多样化的应用需求。
3. FlashRAG & PaddleNLP：检索增强生成结合高性能推理，更准更快，提升用户体验
基于飞桨框架3.0版本，PaddleNLP内置了全环节算子融合等技术，使得FlashRAG推理性能相较于transformers动态图推理实现了70%以上的显著提升，结合检索增强知识，输出结果更加准确，为FlashRAG框架使用者带来了敏捷高效的使用体验。
FlashRAG-Paddle框架
全面且可定制的框架：包含RAG场景所需的核心组件，如检索器、重排序器、生成器和压缩器，可灵活组合成复杂的流程。
综合基准数据集：包含36个经过预处理的RAG基准数据集，用于测试和验证RAG模型的性能。
预实现的先进RAG算法：提供9种先进的RAG算法，可在不同设置下轻松复现结果。
高效的预处理阶段：通过提供各种脚本，如用于检索的语料库处理、检索索引构建以及文档的预检索，简化了RAG工作流程的准备工作。
检索器(Retriever)：负责从知识库中检索与查询最相关的文档。FlashRAG支持使用embedding模型以及基于词项匹配的BM25方法等。
生成器(Generator)：根据给定的文本（通常是查询和检索结果的拼接）生成最终的回复。框架支持使用各类LLM模型，并支持FastChat、vllm等加速方案。
重排器(Reranker)：对检索结果进行重新排序，以进一步提升与查询的相关性。重排器分为交叉编码器和双塔编码器两种类型。
精炼器(Refiner)：对输入的文本进行进一步的精炼和压缩，去除冗余信息。目前已支持抽取式、生成式、基于LLMLingua和基于Selective-Context的多种精炼器。
Sequential：顺序执行retriever、refiner、reranker、generator等组件，是最基础的RAG流程。
Conditional：通过judger模块判断不同类型的查询，并选择不同的执行路径。
Branching：并行执行多条路径，并将各路径的生成结果进行整合，代表工作如REPLUG、SuRe等。
Loop：通过迭代的方式交替执行retriever和generator，代表工作如Self-Ask、Self-RAG、FLARE、IRCoT等。
PaddleNLP:
超大Batch嵌入表示学习和多硬件高性能推理
助力检索增强生成
模型组网简化与参数多样：PaddleNLP通过统一分布式表示与自动并行技术，显著简化了组网开发的流程，减少了分布式核心代码量50%以上，结合多种并行策略Llama 3.1 405B等超大规模模型能够开箱即用。此外，PaddleNLP预置了80多个主流模型的训练、压缩、推理全流程方案，满足了不同应用场景下的多样化需求。
精调与对齐性能提升：借助飞桨框架独有的FlashMask高性能变长注意力掩码计算机制和Zero Padding零填充数据流优化技术，PaddleNLP有效减少了无效数据填充带来的计算资源浪费，显著提升了精调和对齐的性能。以Llama 3.1 8B模型为例，其性能相较于LLaMA-Factory方案实现了1.2倍的提升，单机即可轻松完成128K长文的SFT/DPO任务。
硬件适配广泛与高效：PaddleNLP基于飞桨插件式松耦合统一硬件适配方案（CustomDevice），仅需适配30余个接口即可实现大模型的基础适配，支持英伟达GPU、昆仑芯XPU、昇腾NPU、燧原GCU和海光DCU等多款主流芯片的大模型训练和推理。依托框架提供的多种算子接入模式和自动并行调优技术，PaddleNLP实现了框架与芯片间的软硬协同性能优化，为用户提供了更加高效、稳定的模型训练和推理体验。
超大Batch嵌入表示学习
其中 是第个文本和第个文本之间的余弦相似度， 是匹配样本的相似度。从公式中可以看出随着batch size的增大，模型能接触并学习更多负样本，进而提取出更具判别性的特征。因此在大模型训练过程中，需要更大的Batch提升模型性能。
PaddleNLP构建了大模型高性能推理方案，支持Llama 3.0、Llama 3.1、Mixtral等一系列大语言模型推理。当前支持技术包含:
Weight Only INT8及INT4推理，支持权重、激活、Cache KV进行INT8、FP8量化的推理；
注意力机制支持PageAttention、FlashDecoding等优化；
支持基于TensorCore深度优化。
特点二：多硬件大模型推理支持
在硬件支持方面，飞桨推理引擎展现出了强大的兼容性和灵活性。当前在支持完美支持英伟达GPU的基础上，还支持了国产及国际领先的AI芯片生态，包括昆仑XPU、昇腾NPU、海光DCU、燧原GCU、英特尔X86 CPU等多种硬件的大模型推理，不同硬件的推理入口保持统一，仅需修改device即可支持不同硬件推理。
PaddleNLP的这一特性强化了RAG在更广泛的多硬件环境下的部署场景，满足不同用户的多样化需求，推动RAG在更多实际业务中的应用与落地。
FlashRAG + PaddleNLP 快速打造RAG文档问答应用
RAG（检索增强生成）技术巧妙融合了信息检索与先进的生成模型，通过从丰富的外部知识库中精准检索相关信息，为大型语言模型提供强有力的回答辅助。这一创新技术充分发挥了信息检索的精准性与生成模型的创造力，能够自动生成既高质量又准确，同时紧密贴合上下文的文档总结。接下来，我们将为您详细介绍如何仅需三步，即可轻松构建RAG文档总结应用。
构建自己的语料数据库
步骤1：准备语料
jsonl以下格式，{"id": "0", "contents": "contents for building index"}{"id": "1", "contents": "contents for building index"}
更多语料制作细节，请前往链接查看。
https://github.com/RUC-NLPIR/FlashRAG-Paddle
步骤2：索引
python -m flashrag.retriever.index_builder \--retrieval_method e5 \--model_path intfloat/e5-base-v2/ \--corpus_path indexes/sample_corpus.jsonl \--save_dir indexes/ \--use_fp16 \--max_length 512 \--batch_size 256 \--pooling_method mean \--faiss_type Flat
对于稀疏检索方法，基于Pyserini或bm25s，依据词频将语料构建为Lucene的倒排索引。
python -m flashrag.retriever.index_builder \--retrieval_method bm25 \--corpus_path indexes/sample_corpus.jsonl \--bm25_backend bm25s \--save_dir indexes/
步骤1: 配置检索模型和生成模型
# 定义一个配置字典，包含所有必要的设置config_dict = {"save_note": "demo", # 保存备注，用于标识这次配置"model2path": { # 模型名称及其对应的路径"e5": "intfloat/e5-base-v2", # 检索模型e5的路径"llama3-8B-instruct": "meta-llama/Meta-Llama-3-8B-Instruct" # 生成模型llama3-8B-instruct的路径},"retrieval_method": "e5", # 指定使用的检索模型"generator_model": "llama3-8B-instruct", # 指定使用的生成模型"corpus_path": "indexes/general_knowledge.jsonl", # 知识库文件的路径，检索模型会从这里查找信息"index_path": "indexes/e5_Flat.index", # 索引文件的路径，用于加速检索过程}# 使用配置字典和一个配置文件路径来初始化配置对象config = Config("my_config.yaml", config_dict=config_dict)
步骤2: 定义对话模板
# 定义一个带有引用信息（reference）的系统提示，AI在回应时会参考这些信息system_prompt_rag = ("你是一个友好的AI助手。""像人类一样回应输入，如果输入中有指令，请遵循指令进行回应。""\n以下是一些提供的参考信息。你可以使用这些信息来回答问题。\n\n{reference}")# 定义用户输入的基本模板，{question}会被实际的问题所替换base_user_prompt = "{question}"# 使用前面定义的配置和模板，创建一个带有引用信息的对话模板对象prompt_template_rag = PromptTemplate(config, system_prompt=system_prompt_rag, user_prompt=base_user_prompt)
步骤3: 加载检索模型和生成模型
在配置好对话模板之后，接下来我们需要加载之前配置的检索模型和生成模型。这两种模型在PaddleNLP库中已经集成，所以我们可以直接调用它们，无需从头开始训练或编写复杂的代码。
# 根据配置加载检索模型，这是RAG用于从知识库中查找信息的模型retriever = load_retriever(config)# 根据配置加载生成模型，这是RAG用于生成输出的模型generator = load_generator(config)
通过这段代码，RAG首先使用检索模型根据用户的查询找到最相关的文档。然后，它将这些文档信息整合到对话模板中，形成一个包含引用信息的输入提示。最后，使用生成模型根据这个输入提示来生成智能化的回应，并打印出来。
# 使用检索模型，根据用户的查询（query）来检索最相关的topk个文档retrieved_docs = retriever.search(query, num=topk)# 将检索到的文档信息整合到对话模板中，形成带有引用信息的输入提示input_prompt_with_rag = prompt_template_rag.get_string(question=query, retrieval_result=retrieved_docs)# 使用生成模型，根据带有引用信息的输入提示来生成回应# 这里可以设置一些生成参数，如temperature控制生成的随机性，max_new_tokens控制生成的最大长度response_with_rag = generator.generate(input_prompt_with_rag, temperature=temperature, max_new_tokens=max_new_tokens)[0]# 打印生成的回应print(response_with_rag)
总结
FlashRAG-Paddle这一工具包不仅有助于现有 RAG 技术的复现，还支持新方法的开发，更重要的是，它为基于国产硬件和软件的AI应用提供了更广泛、更灵活的开发和部署选项，从而推动了AI技术的自主创新和国产化进程。
FlashRAG和FlashRAG-Paddle的所有资源已开源，我们诚挚邀请国内外的研究人员和开发者使用、复现和贡献代码，共同推动RAG技术的发展和国产化进程！
FlashRAG论文链接
FlashRAG-Paddle 链接
PaddleNLP 链接
精彩课程预告
为了帮助您迅速且深入地了解FlashRAG-Paddle，中国人民大学高瓴人工智能学院与百度高级研发工程师将在12月3日（周二）19：00，为您详细解读FlashRAG-Paddle框架如何帮助研究人员高效地在RAG领域进行复现、基准测试和开发新算法。机会难得，立即扫描下方二维码预约吧！
