本文介绍了现有RAG评测的三大不足：数据量小、查询虚假、证据单一。为解决这些问题，作者提出了大规模、多语言、多模态、多跳查询的DOUBLE-BENCH评测方法，通过5168条人工校验query对9个embedding、4个MLLM和4个端到端框架进行评测，发现检索仍是最大瓶颈，模型普遍存在过度自信的问题。此外，文章还介绍了快手开源的Keye-VL-1.5-8B大模型，以及PaperAgent的实操指南，帮助读者搭建自己的AI助理智能体。
现有文档 RAG 评测都在不足：数据太小、查询太假、证据太单一。DOUBLE-BENCH——迄今最大规模、多语言、多模态、多跳查询的文档 RAG 实战考场，用 5 168 条人工校验 query 把 9 个 embedding、4 个 MLLM、4 个端到端框架统统拉到现实场景下评测，结果：检索仍是最大瓶颈，模型普遍“过度自信”地胡说八道。
说到多模态大模型，国内快手也开源了Keye-VL-1.5-8B（国产大模型越来越好，就在昨天Claude点名全面封禁中国公司，离大谱），可本地部署，大家可以试试！[刚刚，快手Keye-VL 1.5打败GPT-4o，刷新视频理解SOTA，三大创新细节开源！不管RAG到Multi-RAG未来的趋势还是Agentic RAG，PaperAgent也准备了实操指南：[从Agent到Flow Agent，动手搭建自己的AI助理智能体
🔍 1 现有评测的不足
图 2：主流 benchmark 查询示例，信息不足或已提前泄露答案。
| 问题 | 典型案例 | 后果 |
|---|---|---|
| ① 评测面过窄 | 只测 embedding 或只测 VQA | 看不到系统级瓶颈 |
| ② 假设用户开卷 | 直接给出目标页、文件名 | 与现实检索场景脱节 |
| ③ 证据唯一幻觉 | 单页 synthetic query | 忽略多页均可回答 |
| ④ 多跳造假 | 把单跳硬拼成“伪多跳” | 高估模型推理能力 |
🧪 2 DOUBLE-BENCH 长啥样？
| 维度 | 规模 | 备注 |
|---|---|---|
| 文档 | 3 276 份 | 72 880 页 |
| 语言 | 6 种 | 中/英/西/法/日/阿 |
| 类型 | 4 类 | PDF、扫描件、幻灯、HTML |
| 查询 | 5 168 条 | 2 500 单跳 + 2 668 多跳（2-3 跳） |
| 证据 | 100 % 人工复核 | 单跳 set-of-evidence，多跳 chain-of-evidence |
图 4：语料与语言分布，外圈为语言占比。
⚙️ 3 三步打造“真”考题
图 3：DOUBLE-BENCH 构建流水线，红框为人工介入环节。
1️⃣元数据收集与清洗
- 10–50 页文档，GPT-4o 判语言，Docling & MinerU 做模态拆分（正文/表格/图）。
2️⃣单跳查询合成 - 四原则：自包含、禁止泄露源、聚焦显著模态、多样自然。
- 迭代 refine：若检索返回 >5 候选页，则自动加入区分细节再生成，直到 ≤5。
3️⃣多跳查询合成 - LightRAG 建知识图谱 → 按“意图游走”选路径 → 逐跳替换实体并链式拼接。
- 人工审核逻辑严密性、答案唯一性、语法自然度。
📊 4 实验结果
4.1 检索榜
表 3：主流 embedding 在 DOUBLE-BENCH 上的细粒度结果。
- 文本与视觉 embedding 差距已缩小到 2% 以内；多跳仍集体掉 20+ 点。
4.2 端到端 RAG 框架榜
表 4：RAG 框架检索与回答准确率对比。
- 检索决定上限：colqwen-gen 靠检索优势，在多跳上反超 MDocAgent。
- 过度自信现象：MDocAgent/ViDoRAG 即使没召回证据也强行回答，幻觉率 30–40 %。
4.3 MLLM 裸跑 vs 给证据
- 充分说明 DOUBLE-BENCH未被数据污染，模型靠“背题库”寸步难行。
表 5：MLLM 在“裸跑”与“开卷”下的准确率。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
HBA-Transformer单变量时序预测(单输入单输出) Matlab代码){kind=spacer}
