Skip to main content
在检索增强生成(RAG)流水线中,通用 LLM 可以在生成之前为每个检索到的段落打分。使用 GLiDE 时,每个段落都会获得一个表示其与查询相关的概率。 你可以直接使用该概率进行排序和过滤。

为段落评分并重新排序

每个 score 都是 true 条件成立的 Noul 概率。按降序排序可以将最强的匹配排在最前面;当下游生成只应接收足够相关的上下文时,请应用一个阈值。
此示例中的所有 Noul 问题共享同一个 state,因此 GLiDE 会在一个请求中为整个候选列表评分。完整的 state 会包含在每个内部渲染的问题中;请将其控制在每个问题 40,000 个 token 的限制以内。请将较大的候选列表拆分为数量有限的并发请求,并对 425、429 和 503 使用退避重试。

每个请求为一个段落评分

当段落是独立到达时,请使用这种更简单的结构:

与 LLM 重新排序相比有何不同

  • 二元相关性是一个从 0 到 1 的概率,而不是生成的整数。
  • 你可以对同一个值进行排序和设定阈值,无需解析模型文本。
  • criteria 准确说明了在你的应用中“相关”的含义。
在部署重新排序器之前,请在已标注的检索数据集上评估排序质量并选择阈值。 关于身份验证、限制、错误以及完整的响应约定,请参阅 GLiDE 推理。