探讨 RAG 检索模型训练中三种损失函数：成对余弦嵌入损失、三元组边距损失和 InfoNCE 损失的机制与适用场景。
原文标题：RAG 检索模型如何学习：三种损失函数的机制解析
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、文章中提到 InfoNCE 损失覆盖面最广，那么在算力资源有限的情况下，有没有办法优化 InfoNCE 损失的计算效率，使其能够在更小的硬件上运行？
3、除了文章中提到的三种损失函数，还有没有其他适用于 RAG 检索模型学习的损失函数？它们的优缺点是什么？
原文内容
来源：DeepHub IMBA本文约1000字，建议阅读5分钟哪种方法最好？要看具体场景、数据量和算力。
Agent 系统发展得这么快那么检索模型还重要吗？RAG 本身都已经衍生出 Agentic RAG和 Self-RAG 这些更复杂的变体了。
答案是肯定的，无论 Agent 方法在效率和推理上做了多少改进，底层还是离不开检索。检索模型越准，需要的迭代调用就越少，时间和成本都能省下来，所以训练好的检索模型依然关键。讨论 RAG 怎么用的文章铺天盖地，但真正比较检索模型学习方式的内容却不多见。
检索系统包含多个组件：检索嵌入模型、索引算法（HNSW 之类）、向量搜索机制（余弦相似度等）以及重排序模型。这篇文章只聚焦检索嵌入模型的学习方式。
本文将介绍我实验过的三种方法：Pairwise cosine embedding loss（成对余弦嵌入损失）、Triplet margin loss（三元组边距损失）、InfoNCE loss。
成对余弦嵌入损失
正样本对示例
负样本对示例
输入是一对文本加一个标签，标签标明这对文本是正匹配还是负匹配。和 MNLI 数据集里的蕴含、矛盾关系类似。
损失函数用的是余弦嵌入损失，x 和 y 分别是文本对的嵌入向量。
三元组边距损失
输入变成三个文本：一个锚文本、一个正匹配、一个负匹配。
损失函数是 Triplet Margin Loss。公式里 a 代表锚文本嵌入，p 代表正样本嵌入，n 代表负样本嵌入。
InfoNCE 损失
输入包括一个查询、一个正匹配、一组负样本列表。
损失函数采用 InfoNCE，灵感来自 M3-Embedding 论文（arxiv:2402.03216）。公式中 p* 是正样本嵌入，P' 是负样本嵌入列表，q 是查询嵌入，s(.) 表示相似度函数，比如余弦相似度。
比较
哪种方法最好？要看具体场景、数据量和算力。从我的实验来看，InfoNCE 覆盖面最广。但只要实验做得够充分、训练数据比例调得够细，余弦嵌入损失也能达到差不多的效果。三元组边距损失我没有深入探索，不过它可能是介于另外两者之间的一个折中选项。
编辑：文婧
