AI黑科技：DRAG让RAG“懂“同义词，准确率飙升10.6%！代码已开源

在大语言模型（LLMs）席卷各个领域的今天，检索增强生成（RAG）已成为解决模型事实幻觉、信息过时的核心方案。但你是否发现，当查询表述存在多种词汇变化时，RAG的检索准确性会大幅下降？比如查询“职业”时，文档中可能用“专业”“演员”甚至“奥斯卡奖项”等间接表述，传统RAG很难精准匹配这些相关信息。

针对这一痛点，北航、北大、中关村实验室联合团队在ACL 2025上提出了词汇多样性感知的RAG方法（DRAG），通过细粒度相关性评估和高风险token校准，让RAG在复杂查询场景下性能实现质的飞跃，尤其在HotpotQA数据集上准确率提升10.6%！

论文地址：https://aclanthology.org/2025.acl-long.1346.pdf

项目地址：https://github.com/Zhange21/DRAG

01—RAG的核心痛点：被忽视的词汇多样性

RAG的核心逻辑是“检索相关文档+增强生成”，但传统方法存在两个关键缺陷：

检索相关性太粗糙

现有RAG大多用单一标准判断文档相关性，忽略了查询中不同成分的词汇多样性差异：

• 固定成分：如专有名词“Hattie McDaniel”，表达方式固定，易判断相关性；
• 可变成分：如“occupation”（职业），可表述为“profession”“actress”（演员）等，判断难度大；
• 补充成分：如与“Hattie McDaniel的职业”相关的“美国名人”，未明确出现在查询中但能辅助检索。

这种差异导致传统RAG要么误判部分相似文档为高相关，要么遗漏表达方式不同的真正相关文档。

生成校准无差别

检索文档中难免混入无关噪声，而不同token受噪声影响程度不同：

• 核心实体token（如职业名称、人名）：直接从检索内容提取，易受噪声干扰；
• 辅助token（如连词、代词）：受影响极小或无语义价值。

传统方法要么不校准，要么对所有token无差别校准，既影响生成质量又增加计算开销。

02—DRAG的创新方案：双模块破解难题

DRAG通过“多样性敏感相关性分析器（Diversity-Sensitive Relevance Analyzer，DRA）”和“风险引导的稀疏校准（Risk-guided Sparse Calibration，RSC）”两个核心模块，分别解决检索和生成阶段的问题，整体框架如下：

模块1：DRA——让检索懂“词汇差异”

DRA的核心是“按词汇多样性拆分查询，差异化评估相关性”，具体分为两步：

1. 查询解耦：三类成分精准划分

将查询拆分为三种属性的成分，适配不同词汇多样性：

• 固定成分（Invariant）：无词汇多样性、直接从查询中提取的成分。如“Portland”（地名），表达方式固定，需文档明确提及；
• 可变成分（Variant）：具有词汇多样性、直接从查询中提取的成分。如“capital”（首府），可替换为“administrative center”（行政中心）；
• 补充成分（Supplementary）：未在查询中明确提及，但可通过合理推断补充以辅助相关性评估的成分（非必需），且具有显著词汇多样性。如“州或国家”，未明确出现但辅助判断“Portland的首府归属”。

基于上述属性定义，训练DRA模块，将查询分解：

并为每个组件 c_j 分配属性a_j，该过程可表示为：

2. 细粒度评估：不同成分不同标准

为精准评估每个成分与检索文档的相关性，进一步针对不同属性的成分制定细粒度评估：

评估标准：

• 固定成分：严格二元评分（1=明确提及，0=未提及）；
• 可变/补充成分：灵活连续评分（0-1分，衡量语义关联度）；
• 加权求和：在获得各组件得分后，通过加权求和计算文档d_i与查询 x 的整体相关性得分：

固定成分权重最高（1.0），可变成分（α）和补充成分（β）权重介于0-1之间，最终筛选Top-r高相关文档。

3. DRA 模块训练：轻量化适配，数据驱动

基础模型选择：采用小型开源模型 Qwen-0.5B 作为基础模型，避免高额计算开销，适配轻量化部署需求；

训练数据构建：两类数据驱动训练 ——① 1200 条查询分解数据（输入查询 + 指令，输出 “组件 - 属性” 对，基于 GPT-4 生成并人工验证）；② 5543 条相关性评估数据（输入查询 + 组件 + 检索文档，输出组件得分及解释，覆盖高 / 中 / 低相关场景）；

训练目标与损失：以 “精准拆分组件” 和 “准确评估相关性” 为目标，采用交叉熵损失进行监督微调，确保模块能稳定识别不同词汇多样性的查询组件，并输出合理评分。

模块2：RSC——精准校准高风险token

为解决检索文档中无关信息对预测生成token的差异化干扰问题，RSC通过“无关风险”量化无关噪声对每个生成token的影响，并对高风险token的解码过程进行稀疏调整——在减轻细粒度噪声干扰的同时，保持极低的计算开销。

1. 无关风险量化：三维度综合判断

计算每个生成token的“无关风险”，识别高风险token，具体分为以下三个维度：

• 词汇风险：查询成分多样性越高，风险越大

• 注意力风险：对低相关文档的注意力占比越高，风险越大

• 预测风险：模型生成置信度越低，风险越大

最终，通过融合上述三个维度，得到tokenyty_tyt的综合无关风险：

2. 稀疏校准：只改该改的token

基于量化的无关风险，RSC通过将高风险token的输出分布与“无关文本条件下的生成分布”对比，对高风险token进行稀疏校正，从而减轻噪声干扰。

• 构建参考噪声：选取DRA评估的最低相关文档，模拟真实无关噪声

• 阈值筛选：仅对风险≥δ的高风险token进行校准
• 分布调整：用噪声文档的生成分布校正高风险token的解码过程，抵消无关干扰

DRAG完整推理流程

1. 检索阶段：DRA拆分查询成分→差异化评估文档相关性→筛选Top-r相关文档+最低相关噪声文档；
2. 生成阶段：逐token计算无关风险→高风险token用噪声文档校准→低风险token直接生成→输出最终结果。

03—实验结果：多任务全面领先

DRAG在短文本生成、长文本生成、多跳问答三大任务中，均显著优于传统RAG方法：

主要结果：全任务显著领先，性能突破明显

实验结果显示，DRAG在所有任务中均表现出优于基准方法的性能，尤其在多跳问答和短文本生成任务中实现大幅提升，具体如下：

vs 无检索基准：检索增强价值凸显

DRAG通过引入外部检索与精细化处理，显著超越了仅依赖参数知识的LLM：

• 在PopQA数据集上，DRAG准确率达到68.3%，较无检索的Llama3-8B-Instruct（22.8%）提升45.5%，充分证明了“精准检索+有效利用”的核心价值；
• 在TriviaQA数据集上，DRAG准确率77.4%，较无检索基准（69.4%）提升8%，即使是本身事实性较强的LLM，也能通过DRAG进一步弥补知识缺口与表达差异带来的误差；
• 多跳任务中，HotpotQA准确率从27.7%提升至46.4%，2WikiMultiHopQA从45.6%提升至54.6%，验证了DRAG在复杂推理场景下的检索增强能力。

vs 有检索基准与先进RAG方法：精细化处理见效

与传统RAG及先进方案相比，DRAG的词汇多样性感知机制带来了显著优势：

1. 短文本生成任务：

   PopQA数据集：DRAG准确率68.3%，较次优的RECOMP（62.8%）提升4.9%；

   TriviaQA数据集：DRAG准确率77.4%，较次优的Llama3-8B-Instruct（73.0%）提升4.4%；

   关键原因：DRA模块通过差异化评估，避免了“同义表达文档被遗漏”“部分相似文档误判”的问题，从源头提升了检索质量，案例对比如下：

   

2. 多跳问答任务：

   HotpotQA与2WikiMultiHopQA数据集上，DRAG准确率均提升10.6%，是所有对比方法中提升最显著的；

   核心优势：多跳任务的查询成分更复杂，词汇多样性带来的检索难度更高，DRAG的细粒度组件分解与相关性评估能精准串联多步推理所需的文档，而传统RAG往往因单一评估标准遗漏关键中间文档。

3. 长文本生成任务：

   ASQA数据集上，DRAG的str-em指标达到35.0（最优），QA-Hit、QA-F1分别为35.2、26.9，均优于其他对比方法；

   虽在QA-EM（4.0）上略有差距，但整体综合性能领先，证明DRAG在长文本生成中既能保证信息全面性，又能维持与标准答案的语义对齐，避免因词汇表达差异导致的信息偏差。

消融实验：拆解核心模块，验证关键贡献

为明确DRA（多样性敏感相关性分析器）与RSC（风险引导的稀疏校准）的具体作用，团队进行了模块消融与超参数敏感性分析，结果如下：

模块消融：双模块协同发力，缺一不可

• 仅DRA模块：HotpotQA准确率提升3.1%，证明差异化相关性评估能有效筛选高相关文档，解决“检索不准”问题；
• 仅RSC模块：PopQA准确率提升0.7%，HotpotQA提升9.1%，说明风险校准能有效抵消无关噪声干扰，尤其在多跳任务中，噪声对核心推理的影响更显著，RSC的作用更突出；
• 双模块结合：性能实现“1+1>2”的提升，证明DRA的“精准检索”与RSC的“精准校准”形成协同，从检索到生成全流程优化，是DRAG性能领先的核心原因。

超参数敏感性：关键参数影响规律明确

1. DRA模块的组件权重（α、β）：

   α（可变组件权重）：对性能影响更显著，随着α增大，模型准确率呈“倒U型”趋势——α过小会忽视可变组件的词汇多样性，α过大则会引入过多噪声；

   β（补充组件权重）：影响相对温和，因补充组件是非必需的辅助信息，过度加权反而会稀释核心组件的相关性信号；

   最优取值：α=0.8，β=0.5，既充分重视可变组件的表达差异，又不过度依赖补充组件。

2. RSC模块的校正阈值（δ）：

   随着δ增大，被校准的高风险token比例逐渐减少，模型性能整体呈下降趋势；

   δ较小时（如δ=0.3），校准覆盖的token过多，可能误校正低风险token，导致生成流畅度下降；

   δ较大时（如δ=0.7），仅校准极少数token，无法充分抵消噪声干扰；

   最优取值：δ=0.5，能精准覆盖“真正受噪声影响的高风险token”，在去噪与流畅度之间达到平衡。

   

深度分析：计算开销与模型兼容性双优

生成阶段计算开销：稀疏校准高效节能

对比DRAG与其他解码优化类RAG方法（如CAD）、全token校准策略的计算开销：

结果显示，所提方法在生成阶段引入的计算开销远低于其他基于解码的 RAG 方法，且与基础模型相比，计算开销仅略有增加，但性能提升显著。

不同大语言模型的兼容性：泛化能力强

在Llama2-7B-Chat、Llama2-13B-Chat、Llama3-8B-Instruct、Alpaca-7B、Mistral-7B等5种主流开源模型上验证DRAG的适配性：

• DRAG在所有测试模型上均实现性能提升，无明显兼容性问题；
• 对基础性能较弱的模型提升更显著：如Llama2-7B-Chat的准确率从38.2%提升至67.0%，提升幅度达28.8%；
• 对高性能模型仍有稳定提升：Llama3-8B-Instruct从63.4%提升至68.3%，证明DRAG的核心机制（词汇多样性感知+稀疏校准）能有效弥补不同模型在“文档相关性评估”与“噪声抵抗”方面的共性短板。

04—总结

DRAG（Lexical Diversity-aware RAG）的核心突破，在于跳出传统RAG“单一标准检索+无差别生成”的局限，针对性解决“查询词汇多样性”这一关键痛点——通过DRA（多样性敏感相关性分析器） 聚焦检索侧优化，按查询组件的词汇多样性属性（固定/可变/补充）制定差异化评估标准，精准筛选出真正相关的文档，从源头避免因表达差异导致的“漏检”或“误检”；再通过RSC（风险引导的稀疏校准） 聚焦生成侧优化，量化每个token的无关风险，仅对受噪声干扰的高风险token进行校准，在保证生成准确性的同时控制计算开销。这种“检索-生成”全流程的协同优化思路，为RAG性能提升提供了更贴合真实查询场景的新方向。

落地思考

从落地价值来看，DRAG具备“轻量化”与“场景适配灵活性”的双重优势：一方面，其核心的DRA模块仅需基于Qwen-0.5B等小型开源模型，用6743条训练数据即可完成微调，无需大规模算力支撑，轻量化特性显著；另一方面，项目已完全开源，开发者可直接基于现有框架快速部署，或结合自身场景二次开发——尤其适合需要提升复杂查询下RAG检索精度的技术团队，即使是资源有限的场景也能高效落地。

需特别注意的是，DRAG的两大模块在场景适配性上存在差异：

• DRA模块（检索侧）：适配范围更广，无论是开源模型还是闭源模型场景，均能借鉴其“按词汇多样性拆分查询、差异化评估文档”的核心思路——例如在调用闭源模型API时，可先通过独立部署的DRA模块预处理检索文档，筛选出高相关内容后再输入闭源模型，间接提升检索增强效果；
• RSC模块（生成侧）：受限于技术依赖，仅能适配开源模型——其风险量化（如注意力风险需获取模型对文档的注意力分数、预测风险需获取token的预测概率）依赖模型底层输出，而闭源模型通常不对外开放此类信息，因此无法直接应用，仅能在开源模型生态中发挥生成侧优化价值。

使用场景

从适用场景来看，DRAG在“检索精准度优先”的任务中表现突出，具体可覆盖三类核心场景：

1. 开放域问答：如百科知识查询、事实性问答（如“某人物的职业”“某事件的时间”），DRA能精准处理查询中专有名词、同义表达等词汇差异，避免传统RAG的检索偏差；若基于开源模型，还可搭配RSC进一步降低生成噪声，提升答案准确性；
2. 多跳问答：需串联多个文档信息的复杂推理任务（如 “某电影导演的母亲是谁”），DRA 可拆分查询中的多步推理组件，精准匹配所需的相关文档，RSC 则保障核心推理 token 不受无关信息干扰；
3. 垂直领域应用：如法律条款检索（需匹配“合同纠纷”“违约责任”等专业术语的多样表述）、医疗知识问答（需关联“病症-症状-治疗方案”的语义关联），此类场景中，DRA的“组件拆分+差异化评估”思路可直接复用（需补充领域专属训练数据适配专业词汇）；若采用开源模型构建专属系统，RSC还能进一步优化专业内容的生成质量，避免无关信息干扰核心结论。

对于多跳问答的进一步思考

DRA本质是“一轮检索+多成分并行评估”，核心解决“单步检索的词汇多样性偏差”，无法独立完成多跳任务的逻辑串联。因此，在多跳场景中，可将DRA作为“检索增强插件”融入多轮推理框架：由多轮框架负责拆分查询、串联推理逻辑（如生成子查询、验证中间结果），DRA则为每一步子查询优化检索精度，确保每轮推理都能获取高质量文档；若基于开源模型，再搭配RSC校准每一步的生成风险，理论上可同时提升多跳任务的“检索准确性”与“推理连贯性”。而在闭源模型场景下，即使无法应用RSC，仅通过DRA优化检索环节，也能为多轮推理提供更可靠的信息支撑，间接改善多跳问答效果。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】