Stop Chunking Like It's 2022 — Yuval Belfer, AI21 Labs
三句話摘要
RAG系統中的分塊策略非但未死,反而是改進檢索效能的關鍵基礎設施,透過多尺度索引可提升20-40%效能。 代理搜尋沒有殺死檢索,分塊也未死—用簡單方法應對這個不得不面對的基礎設施問題,就能無痛提升檢索效能20-40%。 分塊是資訊有損過程,無完美統一大小。大分塊保留脈絡但失細節,小分塊相反;同一資料集中不同查詢偏好不同大小。Oracle實驗證明固定分塊與動態最優間存在20-40%效能鴻溝,這就是任意選擇512或1000的代價。
重點整理
分塊是資訊有損過程,無完美統一大小。大分塊保留脈絡但失細節,小分塊相反;同一資料集中不同查詢偏好不同大小。Oracle實驗證明固定分塊與動態最優間存在20-40%效能鴻溝,這就是任意選擇512或1000的代價。
核心問題是資訊不對稱:索引時無法預知未來查詢,檢索時無法改變已固定的分塊大小。這導致大規模資料場景下檢索低效,如FIFA World Cup資料需遍歷所有資料夾才能回答「哪隊贏最多」這類聚合問題。
多尺度索引方案打破單一分塊承諾。對同一資料庫複製多份分別索引,檢索時查詢所有副本並改為檢索完整文件而非分塊,用倒數排名融合演算法融合多個排名,這是純粹的投票邏輯而非機器學習。
跨多資料集驗證效果確實。QMSum、NarrativeQA、Seinfeld、FinanceBench等測試中,多尺度方法均達到或超越最佳固定大小表現,平均提升20-40%。額外開銷僅2-5倍記憶體且可平行執行,對端對端延遲影響極小。
實用技巧與重點
- 實驗資料集:QMSum(會議逐字稿)、NarrativeQA(小說問答)、Seinfeld(劇本瑣碎知識)、FinanceBench、MTB
- 測試分塊大小:50、100、200、500、1000、2000 tokens
- 檢索範圍轉變:從分塊級改為文件級
- 融合演算法:倒數排名融合(Reciprocal Rank Fusion, RRF)
- 效能增幅:20-40%(依資料集而異)
- 記憶體開銷:2-5倍基線
- 檢索呼叫數:N個(N為重複資料庫份數,實驗中N=6)
- Oracle實驗結果:靜態與動態最優效能差20-40%
結論
代理搜尋沒有殺死檢索,分塊也未死—用簡單方法應對這個不得不面對的基礎設施問題,就能無痛提升檢索效能20-40%。
完整解析
Yuval來自AI21實驗室,在業界流行「RAG已死」、「分塊該死」的風潮中,抓住了一個被集體忽視的機會:分塊策略本質上是不被重視但高度影響效能的「無聊基礎設施」。代理搜尋雖改進了檢索調優環節,但在大規模資料場景中仍無法解決高成本與低效率問題。
RAG系統分為前置索引與檢索兩階段。索引階段通常被視作「枯燥的前置工作」而遭忽視,但正是這裡隱藏著系統性的設計缺陷。以FIFA World Cup資料為例,若按年份將資料分散在不同資料夾,要回答「哪隊贏過最多冠軍」就必須遍歷所有資料夾聚合答案,這便是分塊策略不當導致的低效率。
Yuval團隊透過Oracle實驗揭示了關鍵矛盾:分塊本質上是有損壓縮,無論如何都會損失資訊。分塊太大保留脈絡但失細節;分塊太小則喪失上下文。更重要的是,不存在通用的「最佳大小」。在QMSum、NarrativeQA等多個資料集上測試發現,同一資料集內的不同查詢會偏好不同的分塊大小。例如「Jerry最愛的教堂叫什麼名字」(高度聚焦)與「Jerry把誰描述為死敵」(分散型資訊)需要完全不同的分塊粒度。
假設存在一個預言機能為每個查詢選擇最優分塊大小(Oracle實驗),結果顯示與任意固定大小之間存在20-40%的效能鴻溝。這恰好量化了盲目選擇512或1000的代價。根本問題在於資訊時序錯位:索引時無法預知查詢內容,檢索時無法改變已鎖定的分塊大小。
針對此,團隊提出多尺度索引方案:放棄單一分塊承諾,改為對同一資料庫複製多份,每份用不同分塊大小(50、100、200、500、1000、2000 tokens)獨立索引。檢索時查詢所有副本,改為檢索完整文件而非分塊片段,再用倒數排名融合演算法合併多個排名結果。這演算法極其簡潔,就是一個無需訓練的公式,幾乎不消耗額外計算。
實驗結果跨越多個資料集:QMSum、NarrativeQA、Seinfeld、FinanceBench乃至MTB,多尺度方法均達到或超越最佳固定大小,效能提升20-40%不等,熱力圖對比顯示改進明顯。權衡方面,額外成本為2-5倍記憶體用於儲存多份副本,但因可平行執行檢索且RRF運算極輕,對端對端延遲幾乎無影響。


