大家好，我是刘聪NLP。
RAG已经成为了大模型落地的重要场景，那么如何retrieval到正确的证据片段变的十分重要。
目前一般采用采用向量匹配的方式来增加语义召回的结果。在METB榜单上，英文向量表征已被大模型（生成模型）占领，中文向量表征还是以BERT模型（编码模型）为主。
英文榜单 中文榜单
之前写过一篇大模型这么强，为什么不使用能LLMs直接进行文本表征?
今天刷到一篇论文《Simple Techniques for Enhancing Sentence Embeddings in Generative Language Models》，主要就是通过提示工程的方法，来增加大模型的直接生成文本表征能力。
paper：https://arxiv.org/abs/2404.03921是否还记得想当年的PromptBERT，用过增加提示模板的方法，来直接提高BERT模型的文本表征效果。而对于生成模型，利用[MASK]标记显然是不合理的，毕竟大模型在预训练阶段也没有涉及[MASK]标记。
那么如何更好地将生成模型预测下一个Token的方式，与生成一个向量的偏差更小呢？
主要设计了三种方式，将句子用一个“word”表示（PromptEOL）、用“something”表示（PromptSTH）或者说可以总结成什么内容（PromptSUM）。
PromptEOL -> This sentence : "[X]" means in one word:" PromptSTH -> This sentence : "[X]" means something PromptSUM -> This sentence : "[X]" can be summarized as
从结果上来看，在直接生成向量时，PromptEOL方式效果更好，说明与与大模型本身预训练阶段更加吻合。
但相较于BERT模型直接生成向量来说，还是存在差距，
那是不是大模型直接生成向量的效果就是不理想呢？
参考COT和ICL方式，提出Pretended Chain of Thought(假思维链)和Knowledge Enhancement(知识增强)方法：
假思维链 -> After thinking step by step , this sentence : “[X]” means in one word:“ 知识增强 -> The essence of a sentence is often captured by its main subjects and actions, while descriptive terms provide additional but less central details. With this in mind , this sentence : “[X]” means in one word:“
从结果上来看，通过提示词工程，不仅可以激发大模型的推理能力，大模型的向量表征能力同样可以被激发出来。
好了好了，这一篇有感而发贴（水贴）。
主要就是想表达，其实也许不是大模型直接表征 能力不行，也许是真的没用对，一些巧思，往往可以有意想不到的结果。
PS：给公众号添加【星标⭐️】不迷路！您的点赞 、在看 、关注 是我坚持的最大动力！
欢迎多多关注公众号「NLP工作站」，加入交流群，交个朋友吧，一起学习，一起进步！
我们的口号是“生命不止，学习不停”！
往期推荐：
RAG系统中答案无关片段对LLMs生成答案有何影响？ Qwen1.5-MoE模型：2.7B的激活参数量达到7B模型的性能 如何提高LLMs的文本表征(Text Embedding)能力? 大模型微调技巧 | 高质量指令数据筛选方法-MoDS 辟谣！微软撤回声称ChatGPT为20B参数的论文，并给出解释。 如何看待微软论文声称 ChatGPT 是 20B (200亿) 参数量的模型？ 大模型微调技巧-在Embeeding上加入噪音提高指令微调效果
