大模型的幻覺終于要終結(jié)了？

今日，社媒平臺 reddit 上的一則帖子引起網(wǎng)友熱議。帖子討論的是谷歌 DeepMind 昨日提交的一篇論文《Long-form factuality in large language models》（大語言模型的長篇事實性），文中提出的方法和結(jié)果讓人得出大膽的結(jié)論：對于負擔得起的人來說，大語言模型幻覺不再是問題了。

我們知道，大語言模型在響應(yīng)開放式主題的 fact-seeking（事實尋求）提示時，通常會生成包含事實錯誤的內(nèi)容。DeepMind 針對這一現(xiàn)象進行了一些探索性研究。

首先，為了對一個模型在開放域的長篇事實性進行基準測試，研究者使用 GPT-4 生成 LongFact，它是一個包含 38 個主題、數(shù)千個問題的提示集。然后他們提出使用搜索增強事實評估器（Search-Augmented Factuality Evaluator, SAFE）來將 LLM 智能體用作長篇事實性的自動評估器。

對于 SAFE，它利用 LLM 將長篇響應(yīng)分解為一組單獨的事實，并使用多步推理過程來評估每個事實的準確性。這里多步推理過程包括將搜索查詢發(fā)送到 Google 搜索并確定搜索結(jié)果是否支持某個事實 。

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

GitHub 地址：https://github.com/google-deepmind/long-form-factuality

此外，研究者提出將 F1 分數(shù)（F1@K）擴展為長篇事實性的聚合指標。他們平衡了響應(yīng)中支持的事實的百分比（精度）和所提供事實相對于代表用戶首選響應(yīng)長度的超參數(shù)的百分比（召回率）。

實證結(jié)果表明，LLM 智能體可以實現(xiàn)超越人類的評級性能。在一組約 16k 個單獨的事實上，SAFE 在 72% 的情況下與人類注釋者一致，并且在 100 個分歧案例的隨機子集上，SAFE 的贏率為 76%。同時，SAFE 的成本比人類注釋者便宜 20 倍以上。

研究者還使用 LongFact，對四個大模型系列（Gemini、GPT、Claude 和 PaLM-2）的 13 種流行的語言模型進行了基準測試，結(jié)果發(fā)現(xiàn)較大的語言模型通?？梢詫崿F(xiàn)更好的長篇事實性。

論文作者之一、谷歌研究科學家 Quoc V. Le 表示，這篇對長篇事實性進行評估和基準測試的新工作提出了一個新數(shù)據(jù)集、 一種新評估方法以及一種兼顧精度和召回率的聚合指標。同時所有數(shù)據(jù)和代碼將開源以供未來工作使用。

方法概覽

LONGFACT：使用 LLM 生成長篇事實性的多主題基準

首先來看使用 GPT-4 生成的 LongFact 提示集，包含了 2280 個事實尋求提示，這些提示要求跨 38 個手動選擇主題的長篇響應(yīng)。研究者表示，LongFact 是第一個用于評估各個領(lǐng)域長篇事實性的提示集。

LongFact 包含兩個任務(wù)：LongFact-Concepts 和 LongFact-Objects，根據(jù)問題是否詢問概念或?qū)ο髞韰^(qū)分。研究者為每個主題生成 30 個獨特的提示，每個任務(wù)各有 1140 個提示。

SAFE：LLM 智能體作為事實性自動評分者

研究者提出了搜索增強事實評估器（SAFE），它的運行原理如下所示：

a）將長篇的響應(yīng)拆分為單獨的獨立事實；

b）確定每個單獨的事實是否與回答上下文中的提示相關(guān)；

c) 對于每個相關(guān)事實，在多步過程中迭代地發(fā)出 Google 搜索查詢，并推理搜索結(jié)果是否支持該事實。

他們認為 SAFE 的關(guān)鍵創(chuàng)新在于使用語言模型作為智能體，來生成多步 Google 搜索查詢，并仔細推理搜索結(jié)果是否支持事實。下圖 3 為推理鏈示例。

為了將長篇響應(yīng)拆分為單獨的獨立事實，研究者首先提示語言模型將長篇響應(yīng)中的每個句子拆分為單獨的事實，然后通過指示模型將模糊引用（如代詞）替換為它們在響應(yīng)上下文中引用的正確實體，將每個單獨的事實修改為獨立的。

為了對每個獨立的事實進行評分，他們使用語言模型來推理該事實是否與在響應(yīng)上下文中回答的提示相關(guān)，接著使用多步方法將每個剩余的相關(guān)事實評級為「支持」或「不支持」。具體如下圖 1 所示。

在每個步驟中，模型都會根據(jù)要評分的事實和之前獲得的搜索結(jié)果來生成搜索查詢。經(jīng)過一定數(shù)量的步驟后，模型執(zhí)行推理以確定搜索結(jié)果是否支持該事實，如上圖 3 所示。在對所有事實進行評級后，SAFE 針對給定提示 - 響應(yīng)對的輸出指標為 「支持」事實的數(shù)量、「不相關(guān)」事實的數(shù)量以及「不支持」事實的數(shù)量。

實驗結(jié)果

LLM 智能體成為比人類更好的事實注釋者

為了定量評估使用 SAFE 獲得注釋的質(zhì)量，研究者使用了眾包人類注釋。這些數(shù)據(jù)包含 496 個提示 - 響應(yīng)對，其中響應(yīng)被手動拆分為單獨的事實（總共 16011 個單獨的事實），并且每個單獨的事實都被手動標記為支持、不相關(guān)或不支持。

他們直接比較每個事實的 SAFE 注釋和人類注釋，結(jié)果發(fā)現(xiàn) SAFE 在 72.0% 的單獨事實上與人類一致，如下圖 4 所示。這表明 SAFE 在大多數(shù)單獨事實上都達到了人類水平的表現(xiàn)。然后檢查隨機采訪的 100 個單獨事實的子集，其中 SAFE 的注釋與人類評分者的注釋不一致。

研究者手動重新注釋每個事實（允許訪問 Google 搜索，而不僅僅是維基百科，以獲得更全面的注釋），并使用這些標簽作為基本事實。他們發(fā)現(xiàn)，在這些分歧案例中，SAFE 注釋的正確率為 76%，而人工注釋的正確率僅為 19%，這代表 SAFE 的勝率是 4 比 1。具體如下圖 5 所示。

這里，兩種注釋方案的價格非常值得關(guān)注。使用人工注釋對單個模型響應(yīng)進行評級的成本為 4 美元，而使用 GPT-3.5-Turbo 和 Serper API 的 SAFE 僅為 0.19 美元。

Gemini、GPT、Claude 和 PaLM-2 系列基準測試

最后，研究者在 LongFact 上對下表 1 中四個模型系列（Gemini、GPT、Claude 和 PaLM-2）的 13 個大語言模型進行了廣泛的基準測試。

具體來講，他們利用了 LongFact-Objects 中 250 個提示組成的相同隨機子集來評估每個模型，然后使用 SAFE 獲取每個模型響應(yīng)的原始評估指標，并利用 F1@K 指標進行聚合。

結(jié)果發(fā)現(xiàn)，一般而言，較大的語言模型可以實現(xiàn)更好的長篇事實性。如下圖 6 和下表 2 所示，GPT-4-Turbo 優(yōu)于 GPT-4，GPT-4 優(yōu)于 GPT-3.5-Turbo，Gemini-Ultra 優(yōu)于 Gemini-Pro，PaLM-2-L-IT-RLHF 優(yōu)于 PaLM- 2-L-IT。

更多技術(shù)細節(jié)和實驗結(jié)果請參閱原論文。