百度推出自推理RAG框架

百度最近终于放了个大招——一个名为“自推理”的框架，号称能让RAG系统变得更靠谱、更易追踪。说白了，就是让大模型自己问自己答，自己出题再自己改卷，这套操作颇有几分“自我博弈”的味道。

这个框架大致分三步走：

1. 相关性判断：模型自己判断检索到的文档和问题是否相关。
2. 证据提取：模型挑选相关文档，从中提取关键句子作为证据。
3. 轨迹分析：模型基于前两步生成的推理轨迹，给出最终答案。

听起来是不是有点玄乎？其实就是让模型自己当自己的老师，自己教自己如何思考——既当爹又当妈。更离谱的是，这玩意儿只用了2000个训练样本（还是由GPT-4生成的），就能和GPT-4打个平手。

网友Lihua(@yZHxkVi1aTjSJmJ) 对百度这波操作表示赞叹：这种利用大模型自身推理轨迹的方法很有意思，可以提高模型的透明度和可解释性，让我们更好地理解模型是如何得出结论的。

这种让模型自己解释自己的做法，可以说是相当“鸡贼”了：不光能提高准确率，还能让开发者更清楚地看到模型的思考链条，而不再是一个黑箱。

另一位网友Zoe Wang(@zoewangai) 更是直接上手研究了一番，她总结道：作者提出的“自推理”框架包括三个关键过程——相关性感知过程（RAP）指导语言模型判断检索文档与问题的相关性；证据感知选择过程（EAP）引导语言模型选择和引用相关文档，并从中选取关键句子作为“证据”；轨迹分析过程（TAP）要求语言模型基于前两步的自推理轨迹生成简明分析，并给出最终答案。

从技术路径来看，这套思路其实并不复杂，但贵在将“推理链条”显式化、可追溯。当RAG系统面对复杂问题时，常见的毛病是答非所问或者张冠李戴，而自推理框架通过强制模型走完“判断相关性→提取证据→推理分析”三步，相当于给模型的思考过程装上了行车记录仪——哪里出了岔子，回头一查便知。

当然，2000个样本就能达到这样的效果，也侧面说明高质量“合成数据+精心设计的推理步骤”有多么重要。对于中小团队来说，这或许是一条用低成本撬动高回报的可行路径。