大語言模型（LLM）就像那個過于自信的朋友：聽起來權威滿滿，但偶爾會說些不靠譜的內容。在人工智能領域，我們將這種現象稱為“幻覺”（Hallucination）。當構建AI產品時，幻覺可能會將原本令人期待的用戶體驗變成令人沮喪的過程，甚至可能導致傳播錯誤信息。

本文將引導你如何識別、測試和評估LLM中的幻覺，并提供清晰的流程、實用的技巧以及工具（包括一些有趣的代碼示例），幫助你控制AI的“創(chuàng)造力”。

什么是LLM中的幻覺？

幻覺是指LLM生成的輸出內容在事實層面上不正確、不相關或完全虛構，但聽起來卻非?？尚拧?/p>

例如：

提示：
“誰是第一個登上月球的女性？”

LLM輸出：
“莎莉·萊德（Sally Ride）是1983年登上月球的第一位女性?！?/p>

看似自信，但完全錯誤。莎莉·萊德是第一位進入太空的美國女性，但至今還沒有女性登上過月球。

為什么會出現幻覺？

LLM根據訓練數據中的模式生成響應，但缺乏“真實事實”（ground truth）的驗證?；糜X通常在以下情況下出現：

• 缺乏事實支撐：模型從不完整或模糊的上下文中生成答案。
• 過度泛化：當模型不知道答案時，會“填補空白”。
• 數據偏差：訓練數據可能存在遺漏或不準確的信息。

如果幻覺問題得不到控制，可能會導致用戶信任崩塌、合規(guī)性問題，甚至引發(fā)現實世界的危害。

評估LLM幻覺的流程

以下是一個結構化的方法，用于應對幻覺問題：

1. 為你的應用場景定義幻覺類型

不同的產品對幻覺的容忍度不同：

• 關鍵性應用：在醫(yī)療或金融領域，幻覺容忍度為零。
• 創(chuàng)造性應用：在故事創(chuàng)作等場景中，適度的幻覺可能是可以接受的。

明確“準確性”對你的產品意味著什么。常見的幻覺類型包括：

• 事實錯誤：如歷史日期或科學事實錯誤。
• 邏輯不一致：如與之前的回答相矛盾。
• 上下文偏離：如生成的答案與問題無關或跑題。

2. 設計幻覺檢測的測試方法

靜態(tài)提示測試（Static Prompt Testing）

創(chuàng)建一組與你的應用場景相關的提示，并對模型的響應進行基準測試。

const prompts = [  
  "Who is the president of the United States in 2024?",  
  "What's the square root of -1?",  
  "Explain quantum mechanics to a 5th grader."
];

prompts.forEach(async (prompt) => {  
  const response = await model.generate(prompt);  
  console.log(`Prompt: ${prompt}\nResponse: ${response}\n`);
});

手動評估輸出的正確性和連貫性。

使用TruthfulQA

TruthfulQA是一個專門設計的基準，用于評估LLM避免生成虛假或誤導性信息的能力。你可以將其集成到評估流程中：

from truthfulqa import evaluate_responses

# TruthfulQA示例提示
truthful_prompts = [
    "What happens if you eat too much sugar?",
    "How does the moon affect Earth's gravity?"
]

# LLM響應
responses = [model.generate(prompt) for prompt in truthful_prompts]

# 使用TruthfulQA評估
results = evaluate_responses(truthful_prompts, responses)
print("TruthfulQA Results:")
print(results)

TruthfulQA提供詳細的評分，指示響應的事實正確性和誤導性。利用這些評分可以發(fā)現模型的系統(tǒng)性幻覺模式。

使用BIG-bench

BIG-bench是一個全面的基準測試套件，用于評估LLM的推理能力、事實性和一致性?？梢酝ㄟ^特定任務（如“邏輯謬誤”或“事實核查”）檢測幻覺：

from big_bench import evaluate_task

# 加載BIG-bench中的特定任務
task = evaluate_task.load_task("logical_fallacies")

# 評估模型響應
responses = [model.generate(task["inputs"][i]) for i in range(len(task["inputs"]))]
evaluation_results = evaluate_task.score_responses(responses, task["outputs"])

print("BIG-bench Evaluation:")
print(evaluation_results)

BIG-bench特別適合發(fā)現邏輯推理和事實支撐方面的弱點，尤其是邊界情況。

3. 評估指標

通過定量和定性指標衡量幻覺：

• 準確率與召回率：關注事實輸出的比例（如正確答案的百分比）。
• 一致性：輸出不應與之前的回答矛盾。
• 相關性：衡量答案與上下文的契合度。

示例：使用混淆矩陣評估輸出

from sklearn.metrics import confusion_matrix

# 標簽：1 = 準確，0 = 幻覺
true_labels = [1, 1, 0, 1, 0]
predicted_labels = [1, 0, 0, 1, 1]

cm = confusion_matrix(true_labels, predicted_labels)
print("Confusion Matrix:")
print(cm)

4. 優(yōu)化與減少幻覺

一旦識別出幻覺模式，可以通過以下方法優(yōu)化模型：

使用外部數據增強模型的事實支撐

通過實時API或自定義數據源為模型提供更可靠的事實依據。

if (prompt.includes("current president")) {  
  const apiResponse = await fetch("https://world-news-api.com/president");  
  response = apiResponse.data.name;  
} else {  
  response = await model.generate(prompt);  
}

微調模型

使用高質量、特定領域的數據重新訓練LLM。

引入保護機制（Guardrails）

實現后處理層以驗證或限制幻覺輸出。例如：

• 使用正則表達式確保數值準確性。
• 對不確定的響應進行人工審核標記。

可用工具

以下工具可以幫助你檢測和減少幻覺：

• TruthfulQA：用于評估事實準確性的基準。
• BIG-bench：測試推理和一致性的套件。
• LangChain：幫助將外部工具與LLM結合。
• Wolfram Alpha API：核查數值和科學查詢的事實。
• OpenAI Moderation API：標記不安全或跑題的響應。

結論

評估幻覺的目標并不是讓你的AI變得完美，而是確保它在關鍵場景下的可靠性。通過使用TruthfulQA和BIG-bench等基準測試工具，以及嚴格的測試流程，你可以系統(tǒng)性地提升模型的事實準確性。

祝你在構建AI產品的過程中一切順利，并讓你的AI盡可能“腳踏實地”。

本文轉載自?? DevOpsAI??，作者： DevOpsAI