大家有没有这种感觉： 明明只想让大模型看10段资料，它偏偏要硬塞100段，消耗的token数像火箭一样增长，速度还慢得像乌龟？

恭喜你，这个行业通病，Meta今天直接给治好了。

他们刚开源了一个叫 REFRAG 的新 RAG 方案，简单粗暴地说：把无关的上下文压缩到几乎不占地方，只给模型看真正有用的那部分。

实测结果直接看傻人：

• 首token延迟快30.85倍
• 有效上下文窗口扩大16倍
• 处理的token量减少2-4倍
• 在16个主流RAG评测上全面吊打原版LLaMA

这不是小修小补，这是对RAG架构的一次降维打击。

传统RAG为什么这么“废”？

我们现在用的RAG基本都是这个流程：

查询 → 向量检索出Top-K（通常100个）chunks → 全部塞给LLM → 模型一边骂娘一边读垃圾

结果就是：

• 90%的chunk其实没用
• 上下文窗口被灌满，速度暴跌
• 算力账单爆炸

你花的每一分钱，有一大半都在给模型“喂垃圾”。

REFRAG是怎么做到降维打击的？

核心思路只有一个：在把文本塞给LLM之前，就把99%的噪音干掉。

它完全不走传统的“全文本硬塞”路线，而是先在embedding层面动刀：

1. 每个chunk被压缩成一个极短的向量（就一个token那么点成本）
2. 一个用强化学习（RL）训练的策略网络，对这堆压缩向量快速打分
3. 只把分数最高的几块解压还原成完整文本
4. 其余低分chunk继续保持“压缩态”（几乎不占token）或者直接扔掉
5. 最后：高质量完整chunk + 海量压缩向量一起喂给LLM

模型看到的是：

• 真正相关的几段原文（完整无损）
• 几千个“背景氛围感”压缩向量（提供全局语义，但几乎不花钱）

相当于给模型配了个超级聪明的前置过滤器，它只用读重点，其他的用“压缩包”糊一下就行。

真实效果有多离谱？

官方测了，同样的硬件，同样的模型：

这意味着你可以用原来1/30的延迟、1/4的成本，把上下文窗口从4k/8k直接拉到64k甚至更高，而且准确率还涨了。

这对我们普通人意味着什么？

1. 长上下文应用彻底放飞：100万字文档问答？以前卡死，现在随便跑
2. 企业级RAG成本暴降：原来一天几万刀的推理费用，可能直接降到几千刀
3. 开源即用：Meta已经把代码和模型全扔GitHub了，想玩的直接冲

写在最后

RAG从诞生那天起，就被“上下文垃圾”这个问题死死卡住脖子。

今天，Meta直接一巴刀把这个脖子砍断了。

REFRAG告诉我们：不是上下文不够长，而是我们以前太蠢，不会挑重点。

未来属于会“精打细算”的RAG，而REFRAG就是第一个真正做到的人。

论文地址：https://arxiv.org/pdf/2509.01092