提升人工智能的真实性：这项人工智能研究引入了自动RAG，以获得更准确和反映性更强的语言模型
打造更真实人工智能体验：自动RAG引入带来准确性和表现力提升的语言模型研究
自我反思补充生成（SELF-RAG）是一种通过动态检索相关信息并在其生成内容上进行反思来增强大型语言模型（LLMs）的框架。这种方法显著改善了LLMs在各种任务上的质量、准确性和性能，优于ChatGPT等LLMs和Llama2-chat等补充检索模型。SELF-RAG在开放域问答、推理、事实验证和长篇内容生成等任务中特别有效。
华盛顿大学、艾伦人工智能研究所和IBM研究人工智能的研究人员引入了SELF-RAG，该方法通过动态检索相关段落并对其生成的内容进行反思来增强LLMs。他们的方法解决了LLMs中存在的事实错误问题，并在开放域问答、推理和事实验证等多样任务中优于LLMs和补充检索模型。它旨在克服之前的方法可能限制LLM的多功能性和产生低质量结果的局限性。
SELF-RAG解决了最先进的LLMs中存在的事实错误问题。SELF-RAG将检索和自我反思结合起来，增强LLM的生成质量而无需降低多功能性。它训练LLM以自适应地检索所需的段落并对其进行反思，实现了生成质量和事实准确性的显著改进。实验证明，在各种任务中，SELF-RAG优于现有的LLMs和补充检索模型。
SELF-RAG提高了语言模型的质量和事实准确性。SELF-RAG训练单个语言模型用于检索和反思段落，自适应地增强了其多功能性。在推理过程中，它使用反思标记进行控制，遵循以下三个步骤：确定检索的必要性，处理检索的段落，并生成评论标记以进行输出选择。实验证明，在开放域问答和事实验证等任务中，SELF-RAG优于现有模型。
SELF-RAG框架在各种任务中表现出很高的效果，优于最先进的LLMs和补充检索模型。与ChatGPT相比，它在长篇生成时在事实性和引用准确性方面取得了显着改进。在人类评估中，SELF-RAG的输出是合理的，其支持相关段落，并与反思标记的评估一致。在非专有的基于语言模型的模型中，SELF-RAG在所有任务中都表现出最佳性能。
SELF-RAG机制通过整合检索和自我反思工具，为增强语言模型机器（LLMs）的准确性和质量提供了可行的解决方案。SELF-RAG在各种任务中显著优于传统的补充检索方法和包含更多参数的LLMs。这项工作解决了与事实准确性和错误信息相关的现实问题，并承认需要改进的空间。多种评估结果表明，SELF-RAG优于传统方法，突显了其增强LLM输出的潜力。
进一步研究可以通过提高LLMs输出的准确性来改进LLMs，尤其是解决与错误信息和不准确建议相关的现实挑战。虽然SELF-RAG取得了显著进展，但还有改进的空间。引入显式的自我反思和细粒度的归因可以帮助用户验证模型生成的内容。该研究还建议在当前实验范围之外的更广泛的任务和数据集中探索自我反思和检索机制的应用。
