SFR-RAG是由Salesforce AI Research推出的一款大型语言模型，专注于提升机器在理解和生成文本方面的应用能力。模型特别强调对上下文的忠实理解，在检索增强生成领域进行优化。SFR-RAG包含90亿参数，规模相对较小，但在特定任务中的表现超越更大型的同类产品，如Command-R+ (104B)、GPT-4o等。SFR-RAG能有效处理信息不足或矛盾的上下文场景，执行复杂的多跳推理，可靠地生成引用。SFR-RAG集成函数调用功能，能与外部工具动态交互，检索高质量的上下文信息。
SFR-RAG的主要功能上下文理解：理解和分析提供的上下文信息，生成准确和相关的文本。检索增强生成：结合外部信息源，通过检索相关文档增强生成文本的事实准确性。幻觉最小化：设计用来减少生成与现实不符或完全捏造的信息。多跳推理：执行复杂的推理任务，通过综合多个上下文信息来推断答案。可靠引用：在生成文本时提供准确的来源引用。函数调用：集成函数调用功能，与外部工具交互以检索高质量的上下文信息。SFR-RAG的技术原理指令调整：SFR-RAG通过指令调整（instruction-tuning）进行训练，强调上下文生成和幻觉最小化。聊天模板：引入新的聊天模板，包括“Thought”（思考）和“Observation”（观察）角色，改进模型的内部推理和外部信息检索。检索器集成：与知识检索器协同工作，从大量文档中检索与用户查询最相关的信息。多模态学习：通过多模态学习，模型能处理和理解来自不同来源的信息。偏好学习：用偏好学习（preference learning）技术微调模型，以便更好地模仿人类对信息的评估和选择。SFR-RAG的项目地址项目官网：blog.salesforceairesearch.com/sfr-ragGitHub仓库：https://github.com/SalesforceAIResearch/SFR-RAGarXiv技术论文：https://arxiv.org/pdf/2409.09916SFR-RAG的应用场景客户服务：作为聊天机器人，提供基于上下文的准确回答，提高客户满意度。知识问答：在问答系统（如TriviaQA、HotpotQA）中，提供基于复杂上下文的详细回答。内容创作：辅助撰写文章、报告或营销材料，确保内容的准确性和相关性。教育辅导：作为教学辅助工具，提供个性化的学习建议和答案解析。市场研究：分析市场数据和趋势，生成基于最新信息的报告。法律咨询：提供基于法律文档和案例的咨询，帮助解读法律条文。医疗咨询：辅助医生和患者理解复杂的医疗信息，提供基于最新研究的建议。 
