新智元導(dǎo)讀】大模型的幻覺(jué)問(wèn)題怎么解？谷歌DeepMind：用AI來(lái)做同行評(píng)審！事實(shí)核驗(yàn)正確率超過(guò)人類，而且便宜20倍。

AI的同行評(píng)審來(lái)了！

一直以來(lái)，大語(yǔ)言模型胡說(shuō)八道（幻覺(jué)）的問(wèn)題最讓人頭疼，而近日，來(lái)自谷歌DeepMind的一項(xiàng)研究引發(fā)網(wǎng)友熱議：

大模型的幻覺(jué)問(wèn)題，好像被終結(jié)了？

 

論文地址：https://arxiv.org/pdf/2403.18802.pdf

項(xiàng)目地址：https://github.com/google-deepmind/long-form-factuality

在這篇工作中，研究人員介紹了一種名為 "搜索增強(qiáng)事實(shí)性評(píng)估器"（Search-Augmented Factuality Evaluator，SAFE）的方法。

對(duì)于LLM的長(zhǎng)篇回答，SAFE使用其他的LLM，將答案文本分解為單個(gè)敘述，然后使用諸如RAG等方法，來(lái)確定每個(gè)敘述的準(zhǔn)確性。

 

——簡(jiǎn)單來(lái)說(shuō)就是：AI答題，AI判卷，AI告訴AI你這里說(shuō)的不對(duì)。

真正的「同行」評(píng)審。

另外，研究還發(fā)現(xiàn)，相比于人工標(biāo)注和判斷事實(shí)準(zhǔn)確性，使用AI不但便宜20倍，而且還更靠譜！

 

目前這個(gè)項(xiàng)目已在GitHub上開(kāi)源。

長(zhǎng)文本事實(shí)性檢驗(yàn)

大語(yǔ)言模型經(jīng)常胡說(shuō)八道，尤其是有關(guān)開(kāi)放式的提問(wèn)、以及生成較長(zhǎng)的回答時(shí)。

比如小編隨手測(cè)試一下當(dāng)前最流行的幾個(gè)大模型。

ChatGPT：雖然我的知識(shí)儲(chǔ)備只到2021年9月，但我敢于毫不猶豫地回答任何問(wèn)題。

 

Claude 3：我可以謙卑且胡說(shuō)八道。

 

為了對(duì)大模型的長(zhǎng)篇回答進(jìn)行事實(shí)性評(píng)估和基準(zhǔn)測(cè)試，研究人員首先使用GPT-4生成LongFact，這是一個(gè)包含數(shù)千個(gè)問(wèn)題的提示集，涵蓋38個(gè)主題。

LongFact包含兩個(gè)任務(wù)：LongFact-Concepts和LongFact-Objects，前者針對(duì)概念、后者針對(duì)實(shí)體。每個(gè)包括30個(gè)提示，每個(gè)任務(wù)各有1140個(gè)提示。

 

然后，使用搜索增強(qiáng)事實(shí)性評(píng)估器（SAFE），利用LLM將長(zhǎng)篇回復(fù)分解為一組單獨(dú)的事實(shí)，并使用多步驟推理過(guò)程來(lái)評(píng)估每個(gè)事實(shí)的準(zhǔn)確性，包括使用網(wǎng)絡(luò)搜索來(lái)檢驗(yàn)。

此外，作者建議將F1分?jǐn)?shù)進(jìn)行擴(kuò)展，提出了一種兼顧精度和召回率的聚合指標(biāo)。