行业大模型落地的一些有趣调研总结

最近最大的新闻，莫过于OpenAI发布GPT4o，掀起了国内的一片狂欢，正如OpenAI官网博客所言，GPT-4o（“o”代表“omni”）是迈向更自然的人机交互的一步，其接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合输出

当然，狂欢之余，我们还是回到技术本身，谈谈2个问题。

一个是目前RAG都有哪些综述，四大综述？一个是关于行业大模型的一些有趣总结，关于一个技术报告，会是在产研上的一个总结性结论。

供大家一起参考。

问题1:目前RAG都有哪些综述，四大综述？

实际上，RAG当前的一些总结新性的论文越来越多，在同质化的同时，也有一些差一点。一路看过来，昨天已经达到了4个，几乎每个月一个，下面从时间先后顺序进行处理，大家可以看看。

1、2023年12月综述

《Retrieval-Augmented Generation for Large Language Models: A Survey》

这篇综合性综述论文对RAG范式的发展进行了详细的研究，包括Naive RAG、Advanced RAG和Modular RAG，仔细研究了RAG框架的三个基础概念，包括检索、生成和增强技术。该论文重点介绍了这些关键组件中蕴含的sota方案，以及最新的评估框架和基准。

最后，该工作阐述了当前面临的挑战，并指出了未来的研究和发展方向。

地址：https://arxiv.org/abs/2312.10997

2、2024年2月综述

《Retrieval-Augmented Generation for AI-Generated Content: A Survey》

该工作全面回顾了将RAG技术整合到AIGC场景中的现有工作。首先根据检索器如何增强生成器对RAG基础进行分类，提炼出各种检索器和生成器增强方法的基本原理。

此外，总结了RAG的其他增强方法，以促进RAG系统的有效工程设计和实施。最后，还介绍了RAG的基准，讨论了当前RAG系统的局限性，并提出了未来研究的潜在方向。

地址：https://arxiv.org/abs/2402.19473，https://github.com/hymie122/RAG-Survey

3、2024年4月综述

《A Survey on Retrieval-Augmented Text Generation for Large Language Models》

随着RAG的复杂性不断增加，并纳入了可能影响其性能的多个概念，该工作将RAG范式分为四个类别：检索前、检索、检索后和生成，从检索的角度提供了详细的视角。

该工作首先概述了RAG的演变过程，并通过对重要研究的分析讨论了该领域的进展。此外，还介绍了RAG的评估方法，解决了面临的挑战，并提出了未来的研究方向。通过提供一个有条理的框架和分类，本研究旨在整合现有的RAG研究，澄清其技术基础，并强调其扩大LLM适应性和应用的潜力。

地址：https://arxiv.org/pdf/2404.10981

4、2024年5月份综述

《A Survey on RAG Meets LLMs: Towards Retrieval-Augmented Large Language Models》

该工作全面回顾了检索增强大型语言模型（RA-LLMs）方面的现有研究，涵盖了三个主要技术视角：架构、训练策略和应用。先简要介绍了LLM的基础和最新进展。然后，为了说明RAG对LLMs的实际意义，按应用领域对主流相关工作进行了分类，具体详述了每个领域所面临的挑战以及RA-LLMs(Retrieval-Augmented Large Language Models)的相应能力。

最后，为了提供更深入的见解，讨论了当前的局限性和未来研究的几个有前途的方向。

地址：https://arxiv.org/pdf/2405.06211

问题2：关于行业大模型的一些有趣总结

昨天看到腾讯研究院发布的《腾讯发布业界首份行业大模型调研报告：向 AI 而行，共筑新质生产力》(https://mp.weixin.qq.com/s/dxtKDqch3wMlW781exb51w)，读下来，很有收获，推荐大家看看原文，其中有些重点可以看看。

行业大模型的构建和应用中，由于需求和目标不同，技术实现复杂性差异也较大。通过调研总结，目前机构在使用大模型适配行业应用过程中，从易到难主要有提示工程、检索增强生成、精调、预训练四类方式。

在机构的具体实践中，通常不会只用一种方式，而会组合使用，以实现最佳效果。例如，一个高质量的智能问答系统，会综合使用提示工程、检索增强生成和精调等方式。

而在行业应用场景上，该报告也做了梳理，也很不错，如下：

而怎么衡量一个行业模型是否成功，也可以进一步的总结成几个衡量原则，例如：

总结

本文主要围绕RAG综述以及行业模型的两个问题进行了总结，一个是目前RAG都有哪些综述，四大综述？一个是关于行业大模型的一些有趣总结。最近的总结都多了起来，并且都开始回归冷静。大家可以多看看，会有所收获。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​