检索增强微调（RAFT）深度解析：原理、对比与应用

先说说几个核心判断。把大语言模型真正用起来的时候，往往需要往模型里塞新东西——比如某个垂直领域的专业知识、公司内部的私有数据。这事儿一般靠两条路：要么用检索增强生成（RAG）搭桥，要么直接做微调。但问题来了，哪种方式能把知识喂得最到位？

这里要介绍一个有意思的思路——检索增强微调（RAFT）。它的设计极其干脆：用微调的方式，让模型在一个“开卷考试”的设定下，回答特定领域的问题时表现得更好。所谓“开卷”，就是模型回答问题时可以翻阅给定的文档。RAFT怎么做的？核心是教会模型一件事——眼里有活，心里有数。具体来说，就是当检索系统拉回来一堆文档时，模型得能识别哪些文档是正解来源，哪些是干扰项，然后只盯住有用的那部分信息。此外，RAFT还在回答里加入了思维链（Chain-of-Thought）式的推理，进一步强化模型的逻辑推演能力。实验结果很明确：在PubMed、HotpotQA、Gorilla这些跨领域的数据集上，只要把RAFT用到领域特定的RAG场景里，效果都有显著提升。可以说，它为预训练模型提供了一种相当有价值的后期训练增强手段。

RAFT的基础是早前的Retriever Aware Training（RAT），但它把这件事推广到了API之外更广泛的RAG应用中。

打个比方：怎么给LLM准备“考试”？

RAFT本质上是一种通用的微调方法，目的是把预训练模型调教得适应某个特定领域的RAG场景。这种场景现在很常见——你希望模型基于一堆文档来回答问题，比如企业内部的各种文件。这跟一般意义上的RAG有个关键区别：在通用RAG里，模型不知道考官会考哪个领域的题；但在RAFT的场景里，领域是已知的。为了让理解更直观，我们用考试来打个比方。

封闭书本考试： 这个好理解，就好比模型在考场上不能翻任何参考资料。LLM作为聊天机器人运行时，底层的逻辑就是这个——全靠预训练和监督微调阶段内化到参数里的知识来作答。

开放书本考试： 这就类比模型可以翻书或者上网查资料了。通常情况下，模型旁边会配一个检索器，检索器拉回来k个文档（或者文档片段），塞进用户的提示词里。模型只能通过这堆文档来获取新知识。所以，模型在这种设置下表现好不好，很大程度上取决于检索器给不给力——它能多准地找出最相关的信息片段。

RAFT： 它专注的领域比一般的开放书本考试更具体，也更实际，我们叫它特定领域开放书本考试。也就是说，模型提前就知道要在哪个领域里做题，并且可以随意调取这个领域内的所有资料来回答。比如企业文档、最新新闻、某个组织的代码库等，都属于这类场景。在这些场景下，答案都能从一组预定义的文档里找到。检索技术本身对机制影响不大（当然会影响准确率）。RAFT的核心研究目标，就是怎么让预训练模型适应这个特定的领域，并让模型在面对检索到的文档和干扰项的数量变化时，依然保持稳定。

（图示：RAFT类比于开放书本 如何为LLM准备考试？封闭书本 vs. 开放书本 vs. RAFT）

RAFT：把语言模型调教成领域RAG专家

检索感知微调（RAFT）提出了一套全新的微调数据准备方案，让模型在特定领域开卷考试（其实就是领域RAG）中发挥更好。在RAFT里，训练数据的组织方式是这样的：每个数据点包含一个问题（Q）、一组文档（Dk），以及从其中一个文档（D*）生成的思维链式答案（A*）。关键来了，这里要把文档分成两类：一类是“金文档”（Oracle Document，D*），即能推导出答案的那个；另一类是“干扰文档”（Di），跟答案毫无关系。注意，金文档不一定是单个文档，像HotpotQA这种数据集里，答案可能分散在多个文档里。

然后，对于数据集里P%的问题（qi），保留金文档（di*）再加上k-1个干扰文档；对于剩下（1-P）%的问题，则故意不保留金文档，只塞干扰文档。最后用标准的监督微调（SFT）技术，训练模型根据这些文档和问题来生成答案。下面这个示意图展示了RAFT的整体设计思路：

RAFT的训练数据格式可以概括为：

• P%的数据： Q + D* + D1 + D2 + ... + Dk → A*
• (1-P)%的数据： Q + D1 + D2 + ... + Dk → A*

（图示：RAFT的数据训练和测试配置）

再来看一个具体的训练数据示例，里面包含了问题、上下文、指令以及最终的思维链式答案。值得注意的是，答案中用了##begin_quote##和##end_quote##这种标记，直接把从上下文里引用的部分圈出来。实践证明，这种方式能有效防止模型胡编乱造，全部信息都紧扣提供的上下文。

RAFT的评估效果

实验选用了多个跨领域的数据集来评估模型和所有基线方法，覆盖范围从通用知识到专业领域都有：

• 自然问答（NQ）、Trivia QA、Hotpot QA： 基于维基百科的开放领域问题，主要考察常识（比如电影、体育等）。
• HuggingFace、Torch Hub、TensorFlow Hub： 来自Gorilla论文提出的APIBench，重点看模型能否根据文档生成正确的功能性API调用。
• PubMed QA： 专攻生物医学研究领域的问答，测试模型在医学和生物学问题上基于给定文档集的作答能力。

实验对比了以下基线方法：

• LlaMA2-7B-chat模型 + 0-shot提示： 标准指令微调模型，没有参考文档。
• LlaMA2-7B-chat模型 + RAG（Llama2 + RAG）： 加了参考上下文，这是当前处理领域特定问答任务最常见的一招。
• 领域特定微调（DSF） + 0-shot提示： 先在上下文中做标准指令微调，但不给文档。
• 领域特定微调（DSF + RAG）： 用RAG给领域微调模型外设知识，解决模型本身不知道的信息。

（图示：RAFT在医学（PubMed）、通用知识（HotPotQA）和API（Gorilla）基准上的结果）

自己动手训练RAFT模型

下面是一份简短的实战指南，帮你从零开始训练一个适用于RAG场景的RAFT模型。

1. 数据集准备： 数据集需要包含问题、上下文和答案三个部分。上下文是一组文档，答案是借助GPT-4从其中一个文档生成的思维链式答案。下面是个参考样例：

2. 模型微调： 训练的目标是让模型根据问题和给定的上下文，输出思维链式答案。这里选用Llama2-7B作为基座模型，它本身具备不错的推理能力、语言理解能力、低延迟推理性能，而且适配性好。对于通用知识问答场景，Llama2-7B表现扎实；再加上4k的预训练长度，解析较长的文档也游刃有余。更实用的是，这个模型规模在4块A100-40G GPU上就能完成训练，单块GPU就能提供服务，在性能、部署便捷性和许可证合规性之间找到了很好的平衡点。如果你感兴趣，借助Microsoft AI Studio也可以尝试Llama-13b或70b等更大模型。下图展示了在Azure AI Studio上进行模型微调时的界面。

3. 模型部署： 训练完成后，你可以自由选择部署方式——既可以部署到你自己的GPU上，也可以通过llama.cpp跑在CPU上；另一个选择是托管在Microsoft AI Studio上。下图演示了在Azure AI Studio上完成模型部署的流程。不得不说，Meta Llama-2和Microsoft AI Studio的配合，大大降低了企业级微调和部署LLM的门槛，为不同业务场景定制模型变得前所未有的便捷。

结论

RAFT是一种目标明确的训练策略，专门用来增强模型在特定领域内以“开卷”方式回答问题的能力。它提供了一套完整的微调配方，适合基于选定文档集合的问答任务。几个关键的设计决策值得关注：让模型跟干扰文档一起训练；在部分训练数据中刻意拿掉金文档；要求模型以思维链方式从相关文本中直接引用原文来组织答案。PubMed、Hotpot QA和Gorilla API Bench上的评估结果，充分展示了RAFT的巨大潜力。可以预见，领域内检索增强生成（RAG）将同时成为工业和学术界持续关注的热点。与通用RAG不同，这项工作解决的是LLM在真实业务场景中利用领域知识回答问题的痛点。研究结果也印证了一个趋势：相比于一味追求更大的通用模型，经过精细化微调的更小模型，在特定领域的问答任务上丝毫不逊色。