傳統RAG系統的高資源需求和部署門檻一直是行業痛點。

原標題：港大最新研究成果：MiniRAG，「迷你版」RAG 小模型端側可用
文章來源：AI科技評論
內容字數：6059字

MiniRAG：賦能小型模型的檢索增強生成框架

香港大學黃超教授團隊開發的MiniRAG框架，為解決傳統檢索增強生成（RAG）系統的高資源需求和部署門檻難題提供了創新方案。MiniRAG通過輕量級架構設計，使僅有1.5B參數的小型語言模型也能達到接近GPT-4mini的RAG任務性能，大幅降低了算力需求，并為端側RAG系統部署提供了可能性。

1. MiniRAG的必要性：現有RAG系統的局限性

傳統RAG系統依賴大型語言模型（LLMs），資源消耗巨大，難以在端側設備部署。小型語言模型（SLMs）在現有RAG框架下的性能表現不佳，尤其在查詢理解、多步推理等方面存在瓶頸。此外，數據隱私保護的日益重要也增加了對端側RAG系統的需求。

2. MiniRAG的核心設計：輕量級架構創新

MiniRAG的核心在于其兩大創新組件：語義感知異構圖索引和輕量級圖式知識檢索。

1. 語義感知異構圖索引：融合文本塊和命名實體，構建層次化語義網絡，提高檢索準確度，并彌補小型模型在文本概括方面的不足。

2. 輕量級知識檢索：采用圖式知識檢索機制，結合語義感知異構圖和輕量級文本嵌入，在簡化解析流程和拓撲增強檢索策略下，降低對模型性能的要求，適合端側設備運行。

同時，MiniRAG團隊推出了LiHua-World數據集，模擬真實端側場景，為輕量級RAG系統提供全面的評估工具。

3. 實驗評估與分析：MiniRAG的性能優勢

實驗結果表明，現有RAG系統在遷移至小型模型時性能大幅下降，而MiniRAG的性能損失顯著控制，展現出優異的模型適應性。MiniRAG在存儲效率方面也取得了突破，僅需25%的存儲空間即可達到與LightRAG相當的性能。消融實驗進一步驗證了MiniRAG各組件的有效性，特別是異構圖索引和查詢引導推理路徑發現機制對提升性能的關鍵作用。

一個復雜的餐廳識別案例研究也展示了MiniRAG在處理多約束查詢和克服小型模型局限性方面的優勢。

4. 未來研究方向

未來的研究方向包括：增強小型語言模型的能力、擴展應用場景、優化隱私保護機制。

5. 總結

MiniRAG為端側RAG系統提供了全新的解決方案，其輕量級架構、創新的索引和檢索機制，突破了傳統RAG系統的高資源需求瓶頸，為端側知識檢索與生成開辟了新的可能性，并有望推動RAG技術在端側設備上的普及與應用。

聯系作者

文章來源：AI科技評論
作者微信：
作者簡介：雷峰網旗下AI新媒體。聚焦AI前沿研究，關注AI工程落地。