RankRAG：在LLM中统一上下文排序与检索增强生成

大型语言模型（LLMs）在检索增强生成（RAG）任务中通常采用检索器提供的 top-k 上下文。本文提出了一种新颖的指令微调框架 RankRAG，该框架通过单一 LLM 实现 RAG 中上下文排序与答案生成的双重目标。具体而言，仅在训练数据中加入少量排序数据，经过指令微调后的 LLM 即展现出卓越性能，显著优于现有的专用排序模型，包括那些在大量排序数据上单独微调的相同 LLM。在生成任务方面，我们将模型与多个强大基线进行对比，涵盖 GPT-4-0613、GPT-4-turbo-2024-0409 以及当前在 RAG 基准测试中表现领先的开源模型 ChatQA-1.5。实验结果表明，我们的 Llama3-RankRAG 在九个知识密集型基准测试中显著优于 Llama3-ChatQA-1.5 和 GPT-4 模型。此外，在无需在生物医学领域数据上进行指令微调的情况下，该模型在五个生物医学领域的 RAG 基准测试中表现与 GPT-4 相当，充分展现了其出色的跨领域泛化能力。