无需训练，100%完美检索！LLM练出「火眼金睛」，InfiniRetri超长文本一针见血

新智元报道

编辑：KingHZ

【新智元导读】LLM自身有望在无限长token下检索信息！无需训练，在检索任务「大海捞针」（Needle-in-a-Haystack）测试中，新方法InfiniRetri让有效上下文token长度从32K扩展至1000+K，让7B模型比肩72B模型。

全新检索模式：在无限长token下，大语言模型自身或能检索信息！

受大语言模型（LLM）上下文窗口大小的限制，处理输入token数超过上限的各种任务颇具挑战性，无论是简单的直接检索任务，还是复杂的多跳推理任务。

尽管新提出的各种方法用来增强大语言模型的长上下文处理能力，但这些方法痛点突出：

要么会产生高昂的训练后成本，

要么需要额外的工具模块（如检索增强生成RAG），

要么在实际任务中显示出改进，并不明显。

研究团队观察了各层注意力分布与生成答案之间的相关性，通过实验证实了注意力分配与检索增强能力是一致的。

基于上述见解，研究团队提出了一种全新的方法InfiniRetri，该方法利用大语言模型自身的注意力信息，实现对任意长度输入的精确检索。

实验表明，在100万个token的「大海捞针」（Needle-In-a-Haystack，NIH）测试中，InfiniRetri将5亿参数的模型从44.6%提升到了100%的准确率。

没有InfiniRetri的NIH测试只有44.6%的准确率

要知道GPT-4在NIH测试中都做不到100%准确率。

InfiniRetri一举超过了其他方法或更大的模型，创造了当前最佳（SOTA）结果。

值得注意的是，某7B模型在HotpotQA任务上的得分，超越了其他同等参数规模的模型。

类似地，Mistral-7B-Instruct v0.2作为擅长短文本推理的模型，在长文本任务中的表现也得到了显著提升。

此外，新方法在实际基准测试中也取得了显著的性能提升，最大提升幅度达到288%。

另外，无需额外训练，InfiniRetri就可应用于任何基于Transformer的大语言模型，并且能大幅降低长文本推理延迟和计算开销。

论文链接：https://arxiv.org/abs/2502.12962

项目地址：https://github.com/CapitalCode2020/InfiniRetri2

文章主要贡献如下：

鞭辟入里，灵魂三问

近年来，许多主流的LLM都在致力于扩展上下文窗口的规模。

例如，GPT-4、Llama3和DeepSeekV3支持最长128K的上下文长度，Claude-3可达200K，而Gemini-Pro-1.5和Qwen2.5-1M甚至支持1M的上下文长度。

然而，实际效果并未完全达到这些模型所宣称的长度。

LLM在处理超长上下文方面仍然面临重大挑战。

那自然考虑：是否能不断延长上下文窗口？

这是第一个问题，答案是不能，有3大原因：

接下来，进一步考虑第二个问题：要打破处理长上下文时不同窗口之间的信息壁垒，是否存在一种低成本的方法？

事实上，业界已经通过检索增强生成（Retrieval-Augmented Generation，RAG）提供了答案。

RAG由两大核心组件组成：检索模块和生成模块。其中，检索模块依赖外部嵌入模型，根据输入查询从长文本中检索相关内容。

然而，RAG系统普遍难以建立检索信息之间的关联。

相比之下，在推理过程中，LLM的注意力机制，能够高效地建立不同信息片段之间的联系。

由此引出了第三个问题：为何不直接利用LLM自身的检索能力，来处理长文本上下文？

为了让LLM以低成本的方式压缩并存储过去的键（key）和值（value），研究团队认为，只有打破不同上下文窗口之间的信息壁垒，LLM才能真正提升其处理长文本的能力。

此外，通过观察LLM在推理过程中回答问题时的注意力分配模式，研究团队提出：这种注意力分配模式与检索增强能力（RAG）高度契合。

研究团队测试了基于所有层的注意力分布来检索答案的准确性。

正如下图3所示，越接近输出层，这种模式的增强效果就越明显。

此外，在第14层和第15层，检索准确率达到一个局部峰值。

因此，InfiniRetri引入了全新的策略，利用LLM自身的注意力信息，而非依赖外部嵌入模型，去提升其长文本处理能力。

无需对基于Transformer的LLM进行额外训练，InfiniRetri可以开箱即用。得益于此，研究团队在多个模型上进行了全面的对比实验。

在跨上下文长度的事实检索任务「大海捞针」（Needle In A Haystack，NIH）中，InfiniRetri仅使用5亿个额外参数，就将模型的上下文长度从原始的32K扩展至100万个token（如图1所示）。

原始方法（上）与InfiniRetri方法（下）对比，准确检索的最大文本长度从原始32K提升至超过1M tokens。

更值得注意的是，InfiniRetri在NIH任务上实现了无限长度范围内的精准检索，不仅超越了当前主流方法，还有效解决了NIH任务的挑战。

此外，在LongBench提供的9个真实数据集上，InfiniRetri在基于KV Cache甚至Full KV的主流方法中均取得了超越性的表现，尤其是在多文档问答（Multi-Document QA）任务（如HotpotQA、2WikiMQA和Musique）中，Qwen2-7B-Instruct采用InfiniRetri后，平均性能提升高达369.6%。

InfiniRetri方法：带着问题阅读

那么，如何应用这一模式来处理超出上下文窗口的长文本，并真正提升LLM的长文本处理能力呢？

在本节中，将InfiniRetri方法拆分为三个小节，分别介绍该模式的应用方式，以提升LLM的长文本处理能力。

如图4所示，该方法的完整工作流程包括五个主要步骤，详细介绍这些步骤：

图4：InfiniRetri方法在增强LLM长上下文处理能力中的完整工作流程

文本分割

新方法受到人类阅读书籍过程的启发，专门针对LLM在处理超出上下文窗口的文本时所面临的挑战。

尽管人类的视野有限，一次只能看到一页内容，但仍然可以逐页阅读并理解整本书。在这个过程中，大脑就像一个缓存（cache），通过记忆保留并整合每一页的信息，从而掌握整本书的内容。

类似地，InfiniRetri将整篇文本拆分为连续的文本块（chunk）。

这种切分方式虽然与RAG相似，但不同之处在于，InfiniRetri不是并行处理每个文本块，而是按照顺序逐块迭代地处理每个文档。

这种方法能够保留文本的顺序信息，更符合人类的阅读习惯。

具体而言，如图4所示，在步骤1（切分，Chunk）中，研究团队根据句子边界将整个长文本划分为长度大致相等的文档块，其长度由方法参数ChunkSize³决定。

然后，这些文档块依次与缓存（Cache）中保留的token进行合并，形成完整的输入序列，称为MergeToken，并将其输入LLM进行处理。

InfiniRetri采用了类似滑动窗口注意力（Slide Window Attention，SWA）的迭代方式，按顺序处理每个文本片段。

然而，InfiniRetri对缓存的处理方式与传统方法有本质区别。

其中，A^h∈R^{n×m}表示查询（query）和键（key）组成的注意力矩阵，n是查询的数量，m是键的数量。

在注意力中检索（Retrieval In Attention）

在单个上下文窗口内，根据问题token准确定位相关的上下文token，注意力分配模式能够帮助LLM找到正确答案。

如果在滑动窗口框架内的每次推理过程中持续应用这一模式，理论上，LLM就可以在保持查询不变的情况下，对整个长文本进行推理。

这一过程与人类的阅读方式高度相似，类似于公认的「带着问题阅读」学习策略，即通过问题作为锚点，在LLM可处理的范围内逐步整合相关信息。

因此，LLM能否精准检索与问题最相关的文本，是本方法有效性的核心。

关键在于设计基于注意力得分分布的token检索策略和算法，以确保模型能够在长文本中高效提取关键信息。

借鉴实验结果，研究团队选取了多头注意力（Multi-Head Attention）的最后一层，并对所有注意力头的得分进行求和聚合（如公式2所示），探索了一种能够准确判断模型关注重点的方法。

通过可视化注意力得分，研究团队观察到：与答案相关的信息通常由连续的token组成。

也就是说，它们以短语级别的粒度存在。

这一发现与在图2c的实验结果一致，进一步确认了LLM在token级别上具备较高的注意力精度。

因此，希望设计的操作是：计算每个token及其相邻token在2D注意力得分矩阵中的累积注意力得分。

计算结果将作为新的特征，在后续的检索过程中用于排序。经过深入分析，发现此操作等效于使用一个填充了1的卷积核（kernel）进1D卷积。

对于查询i和键j，其特征重要性计算如下：

1. 聚合所有注意力头的得分（公式2）：

2. 基于1D卷积计算每个token及其相邻token的重要性（公式3）：

其中，k是1D卷积核的大小，对应于方法中的参数Phrase Token Num。

3. 沿矩阵的列方向求和，计算每个上下文token的总重要性分数（公式4）：

其中，s_i代表第i个上下文token的综合重要性分数。

4. 最后，选取重要性分数最高的前K个上下文token，并将其所在句子的所有token写入缓存（cache）。这个过程可表示为：

即，从所有token的重要性分数v中，选择排名前K的token，并将它们所在的完整句子存入缓存，以便后续推理时使用。

缓存句子Token（Cache Sentence Token）

在推理过程中对缓存（cache）的使用方式，InfiniRetri与传统方法存在本质性区别。

相比于直接使用缓存，InfiniRetri将其用于存储过去的上下文信息。

具体而言，主要有以下两点不同：

1 新方法在模型外部缓存token ID，而不是每层的历史键值（Key-Value）状态。具体来说，在推理过程中不使用传统的Key-Value缓存，而是在每次推理前，将过去的上下文信息与当前输入合并后再进行推理。

2 新方法基于短语级特征进行检索，并在缓存中存储包含Top-K token的句子级token。也就是说，存储的是完整的句子，而不是单独的token，从而确保检索到的信息更具上下文完整性。

事实上，正是这两项创新性改进，使得新方法在无需微调的情况下，就能比传统的KV缓存方法更有效地提升LLM处理长文本的能力。

新方法并不试图压缩缓存中的token，而是保留句子级别的相关上下文信息。这是因为，句子是最小的完整语义单元，相比于单个token，更能确保LLM对上下文的理解。

在LLM逐步推理每个文本片段的过程中，缓存中保留的中间结果是动态变化的，它们由先前存储的token和当前输入片段的组合决定。因此，在整个过程中，这些中间结果会相对调整和更新，以适应模型的理解需求。

AI界的「大海捞针」

大海捞针（Needle-in-a-Haystack，NIH）任务要求模型在一篇「超长文档」（「大海捞针」之海）中，精准检索出一个特定的目标句子（「针」），该句子可以被随机插入到文档的任意位置。

通过调整「针」的放置位置（文档深度）和上下文长度，反复测试以衡量模型的表现。

为了直观分析模型的检索能力，采用了热力图（heatmap）可视化实验：

这种可视化方法可以直观展示LLM处理长文本的能力上限，因此被广泛用于评估。

实验1：Llama3-8B-Instruct的对比

如图6所示，在Llama3-8B-Instruct模型上测试NIH任务，并与以下方法进行了对比：Full KV（完整KV缓存）

StreamingLLM、H2O、SnapKV、PyramidKV以及InfiniRetri（新方法）。

在最长32K token的输入文本上进行实验，结果表明：

实验2：Mistral-7B-Instruct的对比

为了进一步验证InfiniRetri的有效性，在Mistral-7B-Instruct上扩展了输入长度。

Mistral-7B-Instruct官方支持的上下文窗口为32K token，对比了FullKV和InfiniRetri的表现，如图7所示：

关键发现与额外实验

进一步观察到：只要LLM在有限上下文窗口内具备足够的检索能力，新方法就可以赋能模型处理超长文本的检索任务，理论上可支持无限长输入。

基于这一发现，在更小的开源模型上的额外实验，结果符合预期：

新方法将该模型的有效上下文token长度从32K扩展至1M+，从而使其在NIH任务上具备了近乎无限的长文本处理能力（如图1所示）。

LongBench实验

从表1的整体实验结果来看，新方法是唯一一个在所有模型上全面超越Full KV的方法，其中在文档问答（DocumentQA）任务中的提升最为显著。

主要实验结果：

其中，Qwen2-7B-Instruct在HotpotQA任务上的表现提升最为显著，最大增幅达到288%（14.8→57.52）。

关键发现

随后，虽然新方法在长文档问答任务中取得了显著改进，但在文档摘要任务上的表现相对较差。

这种差异可能源于摘要任务的性质，这些任务通常需要更丰富的上下文信息来生成高质量的输出。

新方法无法一次性访问所有相关信息，这在一定程度上限制了它在这些任务中的有效性。

与问答和检索任务不同，在这些任务中，答案通常依赖于长上下文的一小部分，摘要任务则高度依赖于对整个上下文的全面理解。

因此，新方法可能需要进一步的优化和改进，以更好地应对这些摘要任务。

为了进一步评估InfiniRetri的有效性，使用最新的Qwen2.5-7B-Instruct模型在LongBenchV2上进行了额外的实验。

正如表2所示的结果，在应用了新方法InfiniRetri后，在处理LongBenchV2上的长文本和中等长度文本方面，Qwen2.5-7B整体性能与72B的对比模型相当，表现出显著的改进。

这一结果进一步验证了，只要LLMs在短上下文场景中表现出色，新方法就可以有效地提高其处理更长上下文文本的能力。

降低延迟与计算开销

如前所述，新方法采用分段滑动窗口机制+迭代处理，在确保LLM推理长度保持在方法参数范围内的同时，仅在缓存中保留最相关的token。

这种机制使得LLM仅需处理长文本中的少部分关键信息，从而显著降低长文本处理时的推理延迟和计算开销。

正如表4所示，即使未对方法参数进行精细调整，新方法仍能在LongBench文档问答（QA）任务中，大幅降低推理成本，适用于Llama3-8B-Instruct、Mistral-7B-InstructV0.2和Qwen2-7B-Instruct等模型。

例如，在NtvQA任务中，仅保留4.5%的原始输入文本（18409->834）；在HotpotQA任务中，Qwen2-7B-Instruct仅需处理8.7%的原始文本（9152->795），但推理性能提升高达288%。

这些实验结果进一步证明，新方法能够通过优化LLM在较小上下文窗口内的能力，有效提升其长文本处理能力。

这一发现表明，提升LLM的长文本处理能力不仅可以通过扩展上下文窗口，还可以通过优化模型在小窗口内的推理能力，再结合新方法机制，实现高效处理长文本的目标。

评论

这篇论文强调了一个本应显而易见的事实：预测和检索是同一枚硬币的两面。

要有效地进行预测，首先必须确定什么是相关的。令人惊讶的是，适当地利用注意力模式，拥有5亿参数的模型可以在100万个token上执行完美的检索。

这引发了一个有趣的问题：如果围绕检索能力明确设计架构会怎样？

Transformer架构是为预测而设计的，检索是作为副产品出现的。那么，专门为检索优化的架构会是什么样子呢？

许多资金已经投入到构建大规模RAG（检索增强生成）系统中。

如果这篇论文所承诺的性能改进是真实的，其影响将是巨大的。

参考资料：

https://arxiv.org/abs/2502.12962

https://github.com/gkamradt/LLMTest_NeedleInAHaystack

海量资讯、精准解读，尽在新浪财经APP