Visão Geral de Performance:

O que é s3?

Framework s3

s3 é um framework simples, porém poderoso, para treinar agentes de busca em geração aumentada por recuperação (RAG). Ele ensina modelos de linguagem a buscar de forma mais eficiente—sem alterar o próprio gerador. Ao focar exclusivamente no componente de busca, s3 alcança alto desempenho em tarefas de QA usando apenas uma fração dos dados empregados por métodos anteriores. É modular, eficiente e projetado para funcionar perfeitamente com qualquer LLM de caixa-preta.

Índice

• 📦 Instalação
• 💡 Preparação
• 🏋️ Executar Treinamento
• 🔍 Executar Busca/Recuperação
• 📈 Executar Avaliação

📦 Instalação

Ambiente do Buscador & Gerador

conda create -n s3 python=3.9
install torch [or you can skip this step and let vllm to install the correct version for you]
pip install torch==2.4.0 --index-url https://download.pytorch.org/whl/cu121
install vllm
pip3 install vllm==0.6.3 # or you can install 0.5.4, 0.4.2 and 0.3.1
pip3 install ray
verl
cd code
pip install -e .
flash attention 2
pip3 install flash-attn --no-build-isolation
we use pyserini for efficient retrieval and evaluation
pip install pyserini    # the version we used is 0.22.1
quality of life
pip install wandb IPython matplotlib huggingface_hub

conda create -n ret python=3.10
conda activate ret
conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 pytorch-cuda=12.1 -c pytorch -c nvidia
pip install transformers datasets pyserini
conda install -c pytorch -c nvidia faiss-gpu=1.8.0
pip install uvicorn fastapi

💡 Preparação

python scripts/download.py --save_path $save_path
cat $save_path/part_* > $save_path/e5_Flat.index
gzip -d $save_path/wiki-18.jsonl.gz

Pré-computar Inicialização Ingênua do RAG (ou você pode baixar nossos dados processados aqui: huggingface)

# deploy retriever
bash scripts/deploy_retriever/retrieval_launch.sh # or scripts/deploy_retriever/retrieval_launch_mirage.sh for MedCorp corpus.
deploy generator
bash generator_llms/host.sh # modify tensor-parallel-size to the number of GPUs you use
run precompute
bash scripts/precompute.sh # this step will take a while, as it will precompute the naïve RAG Cache for training

🏋️ Executar Treinamento

# deploy retriever
bash scripts/deploy_retriever/retrieval_launch.sh 
deploy generator
bash generator_llms/host.sh
run training
bash scripts/train/train_s3.sh

🔍 Executar Busca/Recuperação

s3

# deploy retriever
bash scripts/deploy_retriever/retrieval_launch.sh 
run s3 inference
bash scripts/s3_inference/evaluate-8-3-3.sh

bash scripts/deploy_retriever/retrieval_launch.sh # or retrieval_launch_bm25.sh # deploy retriever
bash scripts/baselines/rag.sh # run RAG 

bash retrieval_launch_bm25.sh # deploy BM25 Model
bash generator_llms/deepretrieval.sh # deploy DeepRetrieval Model
bash scripts/baselines/deepretrieval.sh # run DeepRetrieval Query Rewriting + Retrieval

bash retrieval_launch.sh # deploy e5 retriever
bash scripts/baselines/search_r1.sh # run Search-R1

bash retrieval_launch.sh # deploy e5 retriever
python scripts/baselines/ircot.py

bash retrieval_launch.sh # deploy e5 retriever
bash scripts/baselines/search_o1.sh # run Search-o1

📈 Executar Avaliação

bash scripts/evaluation/run.sh

Perguntas e Respostas

Dados Personalizados?

Reproduzindo Resultados?

Embora reproduzir o modelo por conta própria seja simples — e na verdade recomendamos treinar do zero, já que a avaliação geralmente é muito mais demorada do que o treinamento — também fornecemos um checkpoint de referência: s3-8-3-3-20steps, treinado em cerca de uma hora.

Agradecimentos

Citação

@article{jiang2025s3,
  title={s3: You Don't Need That Much Data to Train a Search Agent via RL},
  author={Jiang, Pengcheng and Xu, Xueqiang and Lin, Jiacheng and Xiao, Jinfeng and Wang, Zifeng and Sun, Jimeng and Han, Jiawei},
  journal={arXiv preprint arXiv:2505.14146},
  year={2025}
}

--- Tranlated By Open Ai Tx | Last indexed: 2025-10-06 ---