如何快速提高大模型的向量表征效果？-优快云博客

RAG已经成为了大模型落地的重要场景，那么如何retrieval到正确的证据片段变的十分重要。

目前一般采用采用向量匹配的方式来增加语义召回的结果。在METB榜单上，英文向量表征已被大模型（生成模型）占领，中文向量表征还是以BERT模型（编码模型）为主。

英文榜单

中文榜单

之前写过一篇大模型这么强，为什么不使用能LLMs直接进行文本表征?
大模型的训练方式都是基于文本续写形式来训练的，损失函数主要预测下一个Token是否准确，而不是判断整个句子表征的好坏。因此直接用当前的大模型来对文本进行表征，效果并不理想。

今天刷到一篇论文《Simple Techniques for Enhancing Sentence Embeddings in Generative Language Models》，主要就是通过提示工程的方法，来增加大模型的直接生成文本表征能力。

paper：https://arxiv.org/abs/2404.03921

是否还记得想当年的PromptBERT，用过增加提示模板的方法，来直接提高BERT模型的文本表征效果。而对于生成模型，利用[MASK]标记显然是不合理的，毕竟大模型在预训练阶段也没有涉及[MASK]标记。

那么如何更好地将生成模型预测下一个Token的方式，与生成一个向量的偏差更小呢？

主要设计了三种方式，将句子用一个“word”表示（PromptEOL）、用“something”表示（PromptSTH）或者说可以总结成什么内容（PromptSUM）。

PromptEOL -> This sentence : “[X]” means in one word:"
PromptSTH -> This sentence : “[X]” means something
PromptSUM -> This sentence : “[X]” can be summarized as

从结果上来看，在直接生成向量时，PromptEOL方式效果更好，说明与与大模型本身预训练阶段更加吻合。

但相较于BERT模型直接生成向量来说，还是存在差距，

那是不是大模型直接生成向量的效果就是不理想呢？

参考COT和ICL方式，提出Pretended Chain of Thought(假思维链)和Knowledge Enhancement(知识增强)方法：

假思维链 -> After thinking step by step , this sentence : “[X]” means in one word:“
知识增强 -> The essence of a sentence is often captured by its main subjects and actions, while descriptive terms provide additional but less central details. With this in mind , this sentence : “[X]” means in one word:“

从结果上来看，通过提示词工程，不仅可以激发大模型的推理能力，大模型的向量表征能力同样可以被激发出来。

好了好了，这一篇有感而发贴（水贴）。

主要就是想表达，其实也许不是大模型 直接表征 能力不行，也许是真的没用对，一些巧思，往往可以有意想不到的结果。

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。

在这里插入图片描述