分类： AI

认识一下RAG：文本生成的超级英雄

Retrieval Augmented Generation，简称RAG，是一个能让大型语言模型（LLM）在回答问题时表现更佳的工具。RAG的工作原理是通过从现有文档中检索相关信息来为生成的文本提供背景支持。听起来是不是很厉害？但问题是，如果文档只提供部分信息或者与问题背景的连接不明显，那么RAG该怎么办？这篇文章就来回答这两个核心问题。

G-RAG：图神经网络的魔力

我们介绍一种基于图神经网络（GNN）的方法，叫做G-RAG。这个方法在RAG的检索器和阅读器之间引入了一个重排序器。G-RAG不仅考虑了文档之间的连接，还利用了语义信息（通过抽象意义表示图，AMR）来提供上下文感知的排序器。G-RAG不仅表现优异，还比最先进的方法更省计算资源。

为什么重排序很重要？

在开放领域问答（ODQA）中，RAG虽然能成功地检索到相关文档，但不能充分利用文档间的连接。这会导致模型忽视那些包含答案但与问题背景连接不明显的文档。通过重排序过程，我们能更有效地过滤检索到的文档，提高阅读过程的效果。

现有方法的不足

目前的重排序器虽然表现不错，但仍有一些问题。首先，大多数现有工作未能捕捉到不同检索文档之间的重要连接。其次，尽管AMR图提高了对复杂语义的理解，但将冗余的AMR信息集成到预训练语言模型中会导致过拟合和计算时间增加。最后，现有方法利用的预训练语言模型在快速发展的LLM时代显得不足。

我们的解决方案

为了应对这些挑战，我们提出了一种基于文档图的方法，每个节点代表一个文档，每条边代表两个文档之间存在共同概念。我们将不同文档之间的连接信息纳入边特征，并通过消息传递机制更新边特征。同时，我们在节点特征中加入了关键的AMR信息，避免了冗余信息的引入。

实验结果

我们在两个代表性的ODQA数据集上进行了实验：自然问题（NQ）和TriviaQA（TQA）。结果显示，基于图的策略（如GCN和G-RAG）在各种评估指标上表现出色。特别是G-RAG-RL模型，通过使用排序损失函数，进一步提升了识别正面文档的能力。

结论与未来展望

我们的G-RAG模型在现有ODQA方法中表现出色，通过利用文档之间的隐性连接和战略性地整合AMR信息，显著提高了识别有价值信息的能力。尽管预训练的LLM在重排序任务中的表现可能不尽如人意，但对其进行微调可能极大地提升RAG系统的表现。未来的研究方向包括设计更复杂的模型来更好地处理AMR信息，以及探索更高级的方法来解决LLM产生的排名分数中的平局问题。

参考文献

1. Wang, C., et al. (2023). “Graph as Tokens: Representing Text as Graphs for Neural Network Processing.” Retrieved from https://github.com/wangcunxiang/Graph-aS-Tokens/tree/main
2. BERT: Bidirectional Encoder Representations from Transformers. (2019) Retrieved from https://arxiv.org/abs/1810.04805
3. AMRBART: AMR Parsing with BART. (2020) Retrieved from https://arxiv.org/abs/2008.02759
4. PaLM 2: A Next-Generation Language Model. (2022) Retrieved from https://arxiv.org/abs/2204.02311

介绍

各位读者，你们是否曾经因为无法快速翻阅一大堆文档而感到头痛？别担心，我们的好朋友GPT-4来了！最近，Lukasz Borchmann 和他的团队在一篇名为《Notes on Applicability of GPT-4 to Document Understanding》的论文中详细探讨了GPT-4在文档理解领域的表现。让我们一起来看看这位AI大将是如何在文档中大显神通的吧！

文档理解：不仅仅是文字

文档理解不仅仅是读取文字，还包括理解文档的版式、图像和各种视觉线索。这就像是要你在一堆报纸中找到一条特定的新闻，不仅要看文字，还要注意标题、图片和排版。GPT-4 Vision Turbo在这方面表现优异，特别是当输入包括OCR识别的文字和文档图像时，效果更佳。

实验结果：GPT-4的表现如何？

Borchmann团队选择了四个数据集进行测试：DocVQA, InfographicsVQA, SlideVQA和DUDE。每个数据集都代表了不同类型的文档挑战。结果显示，TURBO V和TURBO V + OCR模型在结合视觉和文字信息时表现最佳，尤其是对文本密集型文档效果显著。

例如，在DocVQA数据集上，TURBO V + OCR模型取得了87.4的高分，而纯文字模型的表现则稍显逊色。看来，GPT-4不仅能看懂文字，还能“看图说话”！

错误分析：GPT-4的难题

当然，GPT-4也不是完美无缺的。在一些情况下，模型对文档的理解会受到输入信息的影响。例如，当需要从图表或图像中提取信息时，OCR文字的辅助效果不如在纯文本情况下明显。这就像是让一个学霸去解一道偏题，即使聪明如他，也难免会栽跟头。

另外，研究还发现，模型在处理长文档时表现有所下降，这可能是因为模型对长文本的上下文信息利用不充分。就像是让你读一本厚厚的小说，然后问你某个细节，你可能也会一时找不到答案吧！

限制与未来展望

这项研究也指出了一些限制。例如，目前的分析仅限于模型在特定数据集上的表现，而没有考虑数据隐私、成本、法律合规等实际应用中的重要因素。此外，研究还没有对模型进行微调，这意味着实际应用中可能会有更好的表现。

未来的研究方向包括如何更好地安排文本顺序、提高模型的置信度校准、以及探索多问答形式的问答系统。看来，GPT-4还有很大的进步空间，值得我们期待！

总结

总的来说，GPT-4在文档理解中的表现令人印象深刻。虽然在某些方面还有改进的空间，但它已经展示了强大的潜力。特别是在结合OCR文字和文档图像后，GPT-4 Vision Turbo模型的表现尤为出色。这为我们在文档处理和自动化方面提供了新的可能性。

各位读者，下次再面对堆积如山的文档时，不妨试试GPT-4吧！

---

参考文献：

1. Borchmann, L. (2023). Notes on Applicability of GPT-4 to Document Understanding.
2. Mathew, M. et al. (2020). Document Visual Question Answering Challenge 2020. arXiv preprint arXiv:2008.08899.
3. Mathew, M. et al. (2022). InfographicVQA. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision.
4. OpenAI. (2023). GPT-4. https://openai.com/research/gpt-4.

---

Q: 这篇论文试图解决什么问题？

A: 这篇论文主要针对的是文档理解（Document Understanding）领域中GPT-4系列模型的适用性和性能问题。文档理解是指将文档转换为有意义的信息，通常涉及到集成布局、非文本元素和文本样式所代表的线索。论文中提到，尽管文本只能模型在文档理解任务上难以取得令人满意的结果，但是GPT-4 Vision Turbo模型在输入中同时提供外部OCR引擎识别的文本和文档图像时表现良好。

论文试图解决的具体问题包括：

1. 评估GPT-4家族模型在文档理解领域的性能：作者对所有公开可用的GPT-4系列模型进行了评估，以了解它们在文档理解任务上的表现，并与专门为此目的开发的模型进行比较。
2. 探索GPT-4模型在文档视觉问题回答（Document Visual Question Answering）上的表现：这是文档理解任务中的一种，作者选择这一任务进行评估，因为它既适合基于LLM的聊天助手，又可以通过自然语言提问或指定指令来请求文档中的每一条信息。
3. 解决GPT-4模型在商业API中可实现的结果与报道结果之间的差异：作者提到，尽管GPT-4模型的新闻发布提到了在两个文档VQA数据集上的分数，但具体细节仍然未知，而且不清楚这些结果是否可以通过商业API实现。
4. 分析GPT-4模型在处理长文档时的性能下降问题：论文中提到，对于长文档，GPT-4模型的性能显着下降。
5. 探讨数据污染问题：作者还研究了GPT-4模型训练或测试数据集是否可能受到污染，这可能会影响模型性能的评估。
6. 提出改进建议和未来研究方向：在论文的最后部分，作者提出了一些可能的改进领域，并对未来的研究提出了建议。

总的来说，这篇论文试图提供一个详细的技术报告和可复现的评估程序，以填补现有知识与GPT-4模型在文档理解任务上性能之间的差距。

Q: 有哪些相关研究？

A: 论文中提到了多个与文档理解（Document Understanding）和视觉问题回答（Visual Question Answering, VQA）相关的研究和数据集。以下是一些主要的相关研究和数据集：

1. DocVQA (Mathew et al., 2020): 这是一个文档视觉问题回答的数据集，专注于文本密集型文档。
2. InfographicsVQA (Mathew et al., 2022): 专注于信息图表的视觉问题回答数据集。
3. SlideVQA (Tanaka et al., 2023): 针对幻灯片文档的视觉问题回答数据集。
4. DUDE (Van Landeghem et al., 2023): 文档理解数据集和评估，包含多种类型的问题和答案。
5. Qwen-VL (Bai et al., 2023): 一个多模态视觉语言模型，用于理解、定位、文本阅读等任务。
6. InternVL (Chen et al., 2023, 2024): 用于通用视觉语言任务的视觉基础模型。
7. InstructDr (Tanaka et al., 2024): 针对文档理解的指令化数据集。
8. GRAM (Blau et al., 2024): 用于多页文档视觉问题回答的全局推理模型。
9. Tesseract OCR: 一个开源的光学字符识别引擎。
10. Azure Cognitive Services: 微软提供的一系列认知服务，包括OCR功能。
11. Amazon Textract: 亚马逊提供的文档文本检测和分析服务。

这些研究和数据集为文档理解领域提供了丰富的资源，使得研究人员能够开发和评估处理文档图像和文本的模型。论文中对这些资源进行了评估和比较，以确定GPT-4系列模型在文档理解任务上的性能。

Q: 论文如何解决这个问题？

A: 论文通过以下步骤和方法解决文档理解领域中GPT-4模型的性能评估问题：

1. 模型评估：作者对所有公开可用的GPT-4家族模型进行了评估，特别是关注了文档视觉问题回答（Document Visual Question Answering）这一子领域。
2. 数据集选择：选择了DocVQA、InfographicsVQA、SlideVQA和DUDE等数据集，这些数据集覆盖了文档类型的全谱系，包括文本密集型和视觉密集型文档，以及多页文档。
3. 实验设计：作者设计了一系列实验，包括最佳提示（prompt）的选择、图像分辨率的优化以及OCR（光学字符识别）引擎的比较。
4. 性能比较：通过比较不同模型版本（如TURBO V、TURBO V + OCR、8K + OCR、32K + OCR等）在不同数据集上的性能，来评估它们在文档理解任务上的表现。
5. 错误分析：利用数据集的诊断类别和元数据来分析模型性能，特别是根据输入和证据特征进行分析。
6. 数据污染分析：研究了训练或测试数据集是否可能在GPT-4模型的训练数据中，从而影响性能评估的准确性。
7. 局限性讨论：作者讨论了分析的局限性，如仅关注模型性能、数据集选择的合理性、未进行微调（finetuning）、OCR引擎的影响等。
8. 未来研究方向：提出了未来研究的潜在领域，包括文本布局的重要性、置信度校准、多QA问题的处理等。
9. 详细技术报告和复现性：与以往不公开的设置不同，作者提供了详细的技术报告和可复现的评估程序，确保了研究的透明度和可靠性。

通过这些步骤，论文不仅评估了GPT-4模型在文档理解任务上的性能，还提供了深入的分析和对未来研究方向的建议。

Q: 论文做了哪些实验？

A: 论文中进行了一系列实验来评估GPT-4家族模型在文档理解领域的性能。以下是实验的主要步骤和内容：

1. 数据集选择：选择了DocVQA、InfographicsVQA、SlideVQA和DUDE等数据集，以覆盖不同类型和特点的文档。
2. 最佳提示（Prompt）确定：在验证集上对不同的提示进行了优化，以确定最佳的提示组合。这些提示旨在提高模型对问题的回答质量。
3. 图像分辨率优化：研究了不同图像分辨率对模型性能的影响，以确定最佳的输入图像大小。
4. OCR引擎比较：比较了Tesseract、Azure Cognitive Services和Amazon Textract等不同的OCR引擎，以确定哪个引擎在文本识别方面表现最佳。
5. 模型版本比较：评估了不同版本的GPT-4模型，包括TURBO V、TURBO V + OCR、8K + OCR和32K + OCR等，以了解它们在文档理解任务上的表现。
6. 错误分析：利用数据集的诊断类别和元数据，分析了模型在不同类型的输入和证据特征下的性能。
7. 证据位置分析：研究了模型性能如何随着请求信息在文档中的位置而变化，以了解模型是否存在对输入文档开始或结束部分的偏好。
8. 答案类型分析：分析了模型在处理不同类型的答案（如列表答案和不可回答问题）时的性能。
9. 引导指令污染分析：通过在提示中加入特定数据集的名称，来检查模型性能是否因数据集名称的存在而受到影响，从而评估数据污染的可能性。
10. 性能提升分析：研究了通过提供外部OCR引擎识别的文本作为输入的一部分，对GPT-4 Vision模型性能的影响。

这些实验的目的是为了全面评估GPT-4模型在文档理解任务上的性能，并探索提高性能的不同方法和因素。通过这些实验，作者能够提供关于GPT-4模型在文档理解领域适用性的深入见解。

Q: 有什么可以进一步探索的点？

A: 根据论文内容，以下是一些可以进一步探索的点：

1. 文本布局的重要性：研究不同OCR设置如何影响文本阅读顺序和完整性的保持，以及空间布局的理解。
2. 置信度校准：评估和改进文档理解系统中置信度分数的校准，这对于业务流程自动化尤为重要。
3. 多QA问题处理：探索如何同时从单个文档中提取多个值，这可能提高成本效率并潜在地提高答案质量。
4. 不同输入文本表示和排列的影响：研究不同的文本输入表示和排列方式对模型性能的影响，特别是对于纯文本大型语言模型（LLMs）。
5. 数据集选择的多样性：考虑不同的数据集选择对模型性能评估的影响，以及如何通过多样化的数据集来提高模型的泛化能力。
6. 微调（Finetuning）的影响：研究在特定数据集上微调大型语言模型对性能的潜在提升。
7. 零样本学习（Zero-shot learning）的优化：探索不同的提示（prompt）策略，以提高零样本性能。
8. OCR质量对模型性能的影响：研究OCR引擎的不同输出如何影响模型的性能，并寻找提高OCR质量的方法。
9. 第三方API的依赖性：研究如何减少对第三方API的依赖，以及如何确保模型在实际部署中的稳定性和一致性。
10. 模型的“理解”能力：深入研究模型在文档处理中的“理解”能力，以及如何评估和提高这种能力。
11. 模型的偏见和公平性：评估模型可能存在的偏见，并探索减少这些偏见的方法，以确保模型的公平性。
12. 模型的可解释性和透明度：提高模型的可解释性，以便更好地理解其决策过程，并增加用户对模型输出的信任。

这些探索点可以帮助研究者和开发者更好地理解和改进大型语言模型在文档理解任务上的性能，以及在实际应用中的可靠性和有效性。

Q: 总结一下论文的主要内容

A: 这篇论文的主要内容可以总结如下：

1. 研究背景：论文探讨了GPT-4家族模型在文档理解领域的适用性，特别是在需要理解文本的空间布局和视觉线索的情况下。
2. 文档理解定义：文档理解是指将文档转换成有意义的信息，通常需要集成布局、非文本元素和文本样式的线索。
3. GPT-4家族模型：论文评估了不同版本的GPT-4模型，包括文本模型和能够处理图像输入的模型。
4. 实验设计：作者选择了DocVQA、InfographicsVQA、SlideVQA和DUDE等数据集进行评估，并在验证集上对提示、图像分辨率和OCR引擎进行了优化。
5. 性能评估：通过比较不同模型在各个数据集上的表现，发现结合视觉和文本信息的模型（如TURBO V + OCR）性能更优。
6. 错误分析：分析了模型性能与输入文档表示信息的方式之间的关系，以及模型在不同证据位置和答案类型下的表现。
7. 数据污染分析：探讨了训练或测试数据集可能在GPT-4模型训练数据中的情况，以及这可能对性能评估产生的影响。
8. 局限性：论文讨论了研究的局限性，包括仅关注模型性能、数据集选择的合理性、未进行微调、OCR引擎的影响等。
9. 未来研究方向：提出了未来研究的潜在领域，如文本布局的重要性、置信度校准、多QA问题处理等。
10. 详细技术报告：与以往不公开的设置不同，作者提供了详细的技术报告和可复现的评估程序，确保了研究的透明度和可靠性。

总的来说，这篇论文提供了对GPT-4家族模型在文档理解任务上性能的全面评估，并探讨了影响性能的多种因素，同时提出了未来研究的方向。