基于Emebdding的检索增强生成效果不同模型对比：重排序十分有利于检索增强生成的效果

基于Embedding模型的大语言模型检索增强生成（Retrieval Augmented Generation，RAG）可以让大语言模型获取最新的或者私有的数据来回答用户的问题，具有很好的前景。但是，检索的覆盖范围、准确性和排序结果对大模型的生成结果有很大的影响。Llamaindex最近对比了主流的embedding模型和reranker在检索增强生成领域的效果，十分值得关注参考。

检索增强生成（RAG）简介

基于Embedding的大语言模型检索增强生成是指结合了检索（Retrieval）和生成（Generation）两种方法的自然语言处理系统。这种方法首先通过embedding检索与输入相关的信息，然后利用这些信息作为大语言模型的上下文信息回答用问题。

在上图中，我们可以看到，外部数据通过Embedding模型存储到向量数据库中。当用户输入查询内容时候，经过embedding模型和向量数据库的内容匹配，得到Top-n的结果后一起输入给大模型进行生成操作。因此，必须在检索中准确匹配到相关的内容才可以有更好地生成。尽管检索阶段。否则会漏掉相关重要信息。