❝

许多应用场景需要检索文本的小片段，而基于密集向量的检索系统在处理较短文本时表现更好。因此，通常将文档分割成小块分别编码，但这可能导致失去上下文信息。本文介绍了一种名为“late chunking”【延迟分块，本文统称：迟分】的新方法，利用长上下文Embedding模型先对全部文本进行Embedding，在均值池化之前、Transformer模型之后进行分块，从而保留完整的上下文信息，提升各种检索任务的效果，且无需额外训练。为增强late chunking的效果，还提出了一种专门的微调方法。

一、迟分(late chunking)核心方法

迟分方法旨在解决文本Embedding过程中上下文信息丢失的问题。

• 1.迟分方法：首先，用长上下文Embedding模型对整个文本的所有token进行编码，生成一系列token Embedding。然后，将这些Embedding序列分成多个块，并对每个块的token Embedding进行平均池化，生成块的Embedding。这样块的Embedding就包含了来自整个文本的上下文信息。

• 2.长文档扩展算法：对于超过Embedding模型最大输入长度的文本，提出了一种长文本迟分块方法。该方法将文本分割成更大的块，并在每个块上应用迟分块方法。为了避免上下文信息的丢失，块之间有一定数量的重叠token。

• 3.迟分训练方法：提出了一种改进的训练方法，称为“跨度池化(span pooling)”，用于训练模型以编码特定文本片段中的相关信息。训练数据由查询文本和相关文档组成，并标注了相关片段的位置。训练过程使用InfoNCE损失函数，并通过双向训练来提高模型的泛化能力。

实验设计

• 数据集：实验使用了多个检索数据集，包括：BeIR基准测试集中的较小数据集和LongEmbed基准测试集中的长文本数据集。为了评估长文本迟分块方法，选择了三个非合成阅读理解数据集。

• 分块测路：实验比较了固定大小边界、句子边界和语义句子边界的分块方法。固定大小边界每块包含256个token，句子边界每块包含5个句子，语义句子边界则根据句子Embedding的相似性进行分块。

• 参数配置：在训练过程中，使用了jina-embeddings-v3和jina-embeddings-v2-small-en模型，并采用了跨度池化和平均池化两种训练方法。训练数据集包括TriviaQA和FEVER数据集，分别用于训练和验证。

结果分析

• 检索任务上的表现：在BeIR基准测试集上，迟分块方法相比传统分块方法在大多数情况下均表现出色。具体来说，迟分块方法在句子边界上的nDCG@10评分比传统分块方法提高了3.63%，在固定大小边界上提高了3.46%，在语义句子边界上提高了2.70%。

• 分块大小的影响：实验结果表明，迟分块方法在较小块上表现更好。对于检索特定句子或短语的阅读理解任务，当使用较大块时，传统分块方法可能表现更好。

• 长文本迟分块方法的评估：在长文本数据集上，长文本迟分块方法相比传统分块方法取得了更优的结果。由于没有截断文本，nDCG评分更高。

• 训练方法的效果：跨度池化训练方法与平均池化训练方法相比，表现出一定程度的性能提升，但提升幅度较小。训练数据集的多样性对性能也有一定影响。

• 与基于LLM的上下文Embedding方法的比较：在小规模实验中，迟分块方法和基于LLM的上下文Embedding方法在相关性评分上表现相近，但迟分块方法不需要额外的语言模型。

总结

本文提出了一种名为“Late Chunking”的新方法，用于解决文本Embedding过程中上下文信息丢失的问题。实验结果表明，迟分块方法在各种检索任务上均优于朴素分块方法，且无需额外训练。长文本迟分块方法有效解决了长文本Embedding的上下文依赖问题。提出的跨度池化训练方法进一步提升了迟分块方法的性能。总而言之，迟分块方法在文本Embedding和检索任务中表现出色，具有广泛的应用前景。

不足与反思

• 训练数据多样性有限：自定义训练方法使用的训练数据集多样性有限，主要来自Wikipedia文档，可能限制了性能提升的潜力。

• 长文本处理的局限性：虽然提出了长文本Late Chunking方法，但在处理极长文本时仍可能存在信息丢失的问题，未来需要进一步改进。

问答回顾

问题1：Late Chunking方法在处理长文本时是如何避免上下文信息丢失的？

Late Chunking方法首先使用长上下文Embedding模型对整个文本的所有token进行编码，生成每个token的向量表示。然后，将这些向量表示分成多个块，并对每个块应用均值池化，生成块的Embedding。这样，块的Embedding就包含了整个文本的上下文信息。对于超过Embedding模型最大输入长度的文本，Late Chunking方法将其分割成更大的宏块，并在每个宏块之间添加重叠的token，以补充上下文信息。这种方法确保了即使在长文本的情况下，块的Embedding也能包含足够的上下文信息。

问题2：Span Pooling训练方法与传统的Mean Pooling训练方法相比有哪些优势？

Span Pooling训练方法在训练过程中使用标注的文本片段，使模型学习将特定信息编码到token Embedding中。具体来说，训练数据由查询文本和相关文档组成，并标注了相关片段的位置。在训练过程中，模型不仅考虑了全局的上下文信息，还关注了局部片段的上下文信息。这种训练方法有助于模型更好地理解文本中的细节和关系，从而在推理阶段（即Late Chunking过程）生成更准确的Embedding。实验结果表明，Span Pooling训练方法相比传统的Mean Pooling训练方法在大多数情况下表现出性能有所提升。

问题3：Late Chunking方法在不同分块大小下的表现如何？

在NFCorpus数据集中，Late Chunking在小块大小下表现更好，而在长文本数据集中，长文本Late Chunking方法表现更优。具体来说，当使用固定大小边界时，Late Chunking相比naive分块方法在nDCG@10指标上提高了1.9%。在处理长文本时，长文本Late Chunking方法通过将文本分割成更大的块并添加重叠的token，有效地保留了上下文信息，从而提高了检索性能。实验结果显示，长文本Late Chunking方法在处理长文本时能够更好地保留上下文信息，表现出更好的性能。

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CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】