一、什么是大模型幻覺(jué)問(wèn)題

1. 什么是大模型幻覺(jué)

首先介紹一下什么是大模型的幻覺(jué)。

在某些情況下，我們?cè)谑褂么竽Ｐ蜕山Y(jié)果時(shí)，會(huì)有一個(gè)直觀的感受，就是“一本正經(jīng)的胡說(shuō)八道”。

• 一本正經(jīng)：生成結(jié)果流暢、困惑度 PPL 低、有邏輯性。
• 胡說(shuō)八道：存在兩種定義①內(nèi)容與人類認(rèn)知不一致；②內(nèi)容不可證偽。

這里給出一些大模型生成結(jié)果的例子，大家可以思考這些問(wèn)題是否屬于大模型的幻覺(jué)問(wèn)題，以及我們是否真的要解決這些問(wèn)題。

從學(xué)術(shù)界的共識(shí)來(lái)看，大模型的幻覺(jué)可以分成兩大類：

• 事實(shí)性的幻覺(jué)：包括事實(shí)不一致和捏造事實(shí)兩類。
• 忠實(shí)性的幻覺(jué)：包括不遵循指令和不遵循上下文兩類。

如何在業(yè)務(wù)工作中，對(duì)大模型幻覺(jué)進(jìn)行具體分類，可以參考流程圖。

• 首先關(guān)注用戶指令和上下文，如果沒(méi)有遵循指令，則是不遵循指令的忠實(shí)性幻覺(jué)，如果沒(méi)有遵循上下文，則是不遵循上下文的忠實(shí)性幻覺(jué)。
• 其次，關(guān)注回復(fù)內(nèi)容，如果回復(fù)內(nèi)容正確，則正常，如果回復(fù)錯(cuò)誤，則需要進(jìn)一步看錯(cuò)誤類型。
• 最后，回復(fù)錯(cuò)誤類型包括知識(shí)類的捏造事實(shí)，計(jì)算、代碼類的事實(shí)不一致，以及推理過(guò)程中的邏輯不一致等。

2. 大模型幻覺(jué)問(wèn)題產(chǎn)生的原因

上節(jié)介紹了大模型幻覺(jué)的定義和分類，接下來(lái)介紹大模型幻覺(jué)問(wèn)題產(chǎn)生的原因，共有三大類。

• 數(shù)據(jù)
• 算法和訓(xùn)練
• 推理

（1）數(shù)據(jù)導(dǎo)致的幻覺(jué)問(wèn)題

以知識(shí)邊界為例，如果大模型未學(xué)習(xí)到該領(lǐng)域的知識(shí)，或者雖然學(xué)習(xí)到了，但是知識(shí)過(guò)時(shí)，或者是知識(shí)生產(chǎn)時(shí)間晚于模型數(shù)據(jù)生產(chǎn)時(shí)間等情況，均會(huì)導(dǎo)致大模型由于數(shù)據(jù)問(wèn)題出現(xiàn)幻覺(jué)。

（2）數(shù)據(jù)采樣過(guò)程導(dǎo)致的模型幻覺(jué)

一種情況是數(shù)據(jù)采樣的知識(shí)捷徑。最近的研究表明，LLMs 往往依賴于捷徑，而不是真正理解事實(shí)知識(shí)的細(xì)節(jié)。它們傾向于過(guò)度依賴預(yù)訓(xùn)練數(shù)據(jù)中的共現(xiàn)統(tǒng)計(jì)、共現(xiàn)頻率和相關(guān)文檔計(jì)數(shù)，這可能會(huì)引入對(duì)虛假相關(guān)性的偏見(jiàn)，如果這種偏見(jiàn)反映了事實(shí)上不正確的信息，可能會(huì)導(dǎo)致幻覺(jué)。長(zhǎng)尾知識(shí)以其在預(yù)訓(xùn)練數(shù)據(jù)中的相對(duì)罕見(jiàn)性為特征，對(duì) LLMs 構(gòu)成了固有的挑戰(zhàn)，它們主要依賴于共現(xiàn)模式來(lái)記憶事實(shí)知識(shí)。因此，當(dāng)面臨涉及這種長(zhǎng)尾知識(shí)的查詢時(shí)，LLMs 在生成事實(shí)上不準(zhǔn)確的回答方面存在較高的風(fēng)險(xiǎn)。

（3）預(yù)訓(xùn)練過(guò)程導(dǎo)致的模型幻覺(jué)

一方面，可能受限于 Decoder-Only 架構(gòu)，以及注意力機(jī)制的缺陷。大模型基于前一個(gè)標(biāo)記預(yù)測(cè)下一個(gè)標(biāo)記，僅從左到右。這種單向建模雖然促進(jìn)了高效的訓(xùn)練，但也存在局限性。它僅利用單一方向的上下文，這阻礙了捕捉復(fù)雜的上下文依賴關(guān)系，可能增加幻覺(jué)的風(fēng)險(xiǎn)。self attention 模塊在捕獲長(zhǎng)距離依賴關(guān)系方面表現(xiàn)出色。然而最近的研究表明，它們偶爾在算法推理的背景下表現(xiàn)出不可預(yù)測(cè)的推理錯(cuò)誤，無(wú)論是長(zhǎng)距離還是短距離依賴關(guān)系，無(wú)論模型規(guī)模大小。一個(gè)可能的原因是 soft attention 的局限性，隨著序列長(zhǎng)度的增加，注意力在各個(gè)位置之間變得稀釋。

另一方面是曝光偏差的問(wèn)題。這是由于自回歸生成模型的訓(xùn)練和推理之間的差異造成的。在訓(xùn)練過(guò)程中，這些模型通常采用最大似然估計(jì)（MLE）的訓(xùn)練策略，其中真實(shí)標(biāo)記作為輸入提供。然而，在推理過(guò)程中，模型依賴于自己生成的標(biāo)記進(jìn)行后續(xù)預(yù)測(cè)。這種不一致性可能導(dǎo)致幻覺(jué)，尤其是當(dāng)模型生成的錯(cuò)誤標(biāo)記在后續(xù)序列中引發(fā)錯(cuò)誤級(jí)聯(lián)時(shí)。

此外，微調(diào)對(duì)齊也會(huì)導(dǎo)致幻覺(jué)問(wèn)題，大模型在預(yù)訓(xùn)練期間建立了固有的能力邊界，當(dāng)在微調(diào)數(shù)據(jù)中包含了預(yù)訓(xùn)練階段未見(jiàn)過(guò)的新知識(shí)時(shí)，大模型被訓(xùn)練為生成超出自身知識(shí)邊界的內(nèi)容，增加了幻覺(jué)的風(fēng)險(xiǎn)。在模型對(duì)齊階段，大模型也可能會(huì)產(chǎn)生諂媚的行為，其回應(yīng)更傾向于用戶的觀點(diǎn)，而不是提供正確或真實(shí)的答案，這也會(huì)增加大模型幻覺(jué)現(xiàn)象。

推理階段同樣可能導(dǎo)致幻覺(jué)問(wèn)題。一方面，temperature、top k、top b 等技術(shù)來(lái)引入隨機(jī)性，可能導(dǎo)致幻覺(jué)。另一方面，長(zhǎng)文本時(shí)，更多關(guān)注局部 attention，缺少全局信息關(guān)注，導(dǎo)致忘記指令或指令不遵循等情況，從而產(chǎn)生幻覺(jué)。此外，由于模型最后，經(jīng)過(guò)一系列注意力機(jī)制和計(jì)算后，最后 output 層會(huì)做一次 Softmax 生成最終的預(yù)測(cè)概率，然而，基于 Softmax 的語(yǔ)言模型的有效性受到 Softmax Bottleneck 這一已知限制的阻礙，其中 Softmax 與 embedding 的結(jié)合限制了輸出概率分布的表達(dá)能力，阻止了語(yǔ)言模型輸出期望的分布，從而導(dǎo)致了幻覺(jué)問(wèn)題。

3. 如何檢測(cè)大模型幻覺(jué)

上文介紹了大模型幻覺(jué)問(wèn)題的產(chǎn)生原因，接下來(lái)介紹大模型幻覺(jué)問(wèn)題的檢測(cè)。

（1）按照知識(shí)的確定性劃分類別

首先，判斷用戶問(wèn)題是否可以回答，即問(wèn)題是否客觀、真實(shí)、確定性。例如主觀問(wèn)題、哲學(xué)類問(wèn)題、科學(xué)想象問(wèn)題、尚未形成科學(xué)共識(shí)的問(wèn)題等，如果希望模型給出確定性答案，大概率是存在問(wèn)題的。當(dāng)然，對(duì)這種問(wèn)題，有一個(gè)討巧的辦法，讓生成結(jié)果更符合人類偏好，對(duì)于主觀問(wèn)題，給出多種可能答案。

其次，當(dāng)排除掉非確定性答案的問(wèn)題后，對(duì)于有確定答案的問(wèn)題，從大模型對(duì)知識(shí)掌握的認(rèn)知層面看，又可以分成如下幾類：

• 大模型知道自己知道知識(shí)
• 大模型不知道自己知道知識(shí)
• 大模型不知道自己不知道知識(shí)
• 大模型知道自己不知道知識(shí)

針對(duì)于前兩類，并不影響回答正確性。

針對(duì)于后兩類，大模型本身的回答存在幻覺(jué)，是我們重點(diǎn)關(guān)注的問(wèn)題。

（2）針對(duì)不可回答類問(wèn)題的檢測(cè)思路

此處列舉了 2 個(gè)工作。TruthfulQA 評(píng)測(cè)集，使用人類經(jīng)?；卮疱e(cuò)誤的問(wèn)題來(lái)構(gòu)建測(cè)試集 benchmark，以評(píng)估大模型的幻覺(jué)能力或者程度。

另一個(gè)工作是收集不可回答的問(wèn)題，通過(guò)語(yǔ)義相似度方法，構(gòu)建語(yǔ)義類似的但是可以回答的問(wèn)題。利用二元分類器，判斷模型的幻覺(jué)程度。

（3）如何檢測(cè)“大模型知道自己不知道”

是否可以讓大模型知道自己在“胡說(shuō)八道”呢？可以利用語(yǔ)義熵的思路。有兩種方法。

第一種方法，通過(guò)讓模型多次回答同一個(gè)問(wèn)題，觀察模型回復(fù)的一致性。通過(guò)對(duì)模型多次回答的結(jié)果進(jìn)行語(yǔ)義聚類，如果聚類結(jié)果比較分散，可能表明模型的回答存在幻覺(jué)。注意，即使模型多次給出了相同的回答，也不能直接判斷其為正確答案，因?yàn)槟Ｐ陀锌赡芊€(wěn)定的回復(fù)錯(cuò)誤答案，這需要與已知事實(shí)或?qū)I(yè)知識(shí)進(jìn)行對(duì)比驗(yàn)證。

第二種方法，讓模型對(duì)同一個(gè)問(wèn)題生成多個(gè)回答，檢查這些回答之間是否相互支持，即一個(gè)回答是否可以作為另一個(gè)回答的證據(jù)或補(bǔ)充。如果在這些回答中發(fā)現(xiàn)相互矛盾或沖突的信息，這可能是模型產(chǎn)生幻覺(jué)的跡象。如果所有回答都相互一致且沒(méi)有沖突，這可能表明模型的回答是可靠的。同樣注意，即使回答一致，需要將模型的回答與已知的事實(shí)、數(shù)據(jù)或其他可靠的信息源進(jìn)行對(duì)比，以驗(yàn)證其真實(shí)性。

（4）如何檢測(cè)“大模型不知道自己不知道”

對(duì)于這種情況，可以引入外部工具來(lái)檢測(cè)幻覺(jué)，比如搜索引擎、代碼解釋器等。

針對(duì)大模型輸出的結(jié)果，抽取事實(shí)或者觀點(diǎn) claims，用事實(shí)或觀點(diǎn)再用大模型去生成問(wèn)題，用生成的問(wèn)題去搜索引擎、代碼解釋器等工具收集證據(jù)，將收集的證據(jù)與大模型輸出對(duì)比，判斷是否有沖突。如果存在沖突，則可能存在幻覺(jué)。

此外，還有一個(gè)技巧，參考人類撒謊的情況，撒謊時(shí)候?qū)τ诩?xì)節(jié)問(wèn)題是很容易出現(xiàn)錯(cuò)誤或者沖突，一個(gè)謊言往往需要更多的謊言來(lái)掩蓋。我們?cè)谏蓡?wèn)題的過(guò)程中，可以利用不斷追問(wèn)的方式來(lái)生成，有利于判斷大模型是否存在幻覺(jué)。

二、360 可信大模型的幻覺(jué)解決方案

1. 在數(shù)據(jù)、算法、推理階段，緩解大模型幻覺(jué)問(wèn)題

綜上來(lái)看，大模型幻覺(jué)產(chǎn)生的各類問(wèn)題都有相應(yīng)的緩解方案，在實(shí)際工作過(guò)程中，根據(jù)不同問(wèn)題可以利用不同解決辦法，包括預(yù)訓(xùn)練、微調(diào)、對(duì)齊、解碼策略、RAG、知識(shí)編輯等技術(shù)。

2. 使用 RAG 緩解大模型幻覺(jué)

（1）RAG 工作流程

利用預(yù)訓(xùn)練階段優(yōu)化方法去解決幻覺(jué)問(wèn)題成本較高，可以考慮利用 RAG 和知識(shí)庫(kù)的方法來(lái)緩解大模型幻覺(jué)。

首先，對(duì)于用戶輸入進(jìn)行預(yù)處理工作。

然后，進(jìn)入語(yǔ)義路由判斷問(wèn)題類別，對(duì)于創(chuàng)意性任務(wù)例如寫小說(shuō)，則無(wú)需考慮幻覺(jué)問(wèn)題，因此這類任務(wù)偏好多樣性和創(chuàng)意性。

對(duì)于事實(shí)性、政治性、嚴(yán)肅性問(wèn)題，需要通過(guò)特定的知識(shí)庫(kù)，進(jìn)行知識(shí)增強(qiáng)，進(jìn)一步生成答案。生成的答案依然可能存在幻覺(jué)問(wèn)題，需要分類器判斷是否存在幻覺(jué)，如果有再進(jìn)一步緩解。

最后，為了判斷回答是否與任務(wù)相關(guān)，如果大模型回答沒(méi)有解決用戶問(wèn)題，則需要新一輪的迭代處理策略。

（2）RAG 技術(shù)架構(gòu)

這是一個(gè)比較詳細(xì)的 RAG 技術(shù)架構(gòu)圖，主要包括 query 分析、建索引、搜索排序、上下文選擇、推理等階段。

Query 預(yù)處理，包括query 擴(kuò)展、query transformation、query routing 語(yǔ)義路由等模塊。

對(duì)于檢索模塊，需要根據(jù)不同的數(shù)據(jù)類型使用不同的檢索技術(shù)。比如結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)，公開(kāi)數(shù)據(jù)、私域數(shù)據(jù)等。對(duì)于非結(jié)構(gòu)數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)，可以通過(guò)文檔解析、切片、embedding 向量化后，通過(guò)向量檢索引擎進(jìn)行索引。對(duì)于結(jié)構(gòu)化數(shù)據(jù)，可以使用關(guān)系型數(shù)據(jù)庫(kù)、圖數(shù)據(jù)庫(kù)等進(jìn)行建模；

最后，對(duì)于不同的索引數(shù)據(jù)類型，使用不同的 query 查詢技術(shù)進(jìn)行混合建設(shè)，比如關(guān)鍵詞搜索、基于 embedding 的語(yǔ)義相似度檢索、text 轉(zhuǎn) SQL 后的結(jié)構(gòu)化查詢、text 轉(zhuǎn) graphSQL 的 N 元組查詢等，對(duì)于查詢結(jié)果進(jìn)行重排序，將重排序后的結(jié)果給到大模型作為上下文信息，由大模型進(jìn)行推理。

3. query 預(yù)處理

（1）sub-query

對(duì)于某些問(wèn)題，本身需要多步推理，可以先針對(duì)這些問(wèn)題，通過(guò)大模型，基于少量示例（fewshot）學(xué)習(xí)或者特定任務(wù)微調(diào)（SFT），生成一系列子查詢，從而引導(dǎo)大模型一步一步針對(duì)性回復(fù)，在我們實(shí)際的工作中能夠得到比較好的收益。

（2）Text2SQL

Text2SQL 在智能 BI 場(chǎng)景里也在落地。目前，對(duì)于簡(jiǎn)單的 SQL 效果還可以，但是聯(lián)表等復(fù)雜查詢效果還有進(jìn)一步提升空間。在實(shí)際業(yè)務(wù)中，可以通過(guò)減少聯(lián)表查詢的策略來(lái)提升相應(yīng)的效果，比如創(chuàng)建一個(gè)大寬表（wide table）。

text2sql 技術(shù)包括3 個(gè)階段，預(yù)處理、sql 語(yǔ)句生成、后處理。通過(guò) schema linking 技術(shù)，結(jié)合 Few-shot 學(xué)習(xí)方法或者 SFT 技術(shù)，讓模型快速學(xué)習(xí)如何根據(jù)特定的 schema 生成 SQL 語(yǔ)句。生成的 SQL 語(yǔ)句，可能存在錯(cuò)誤，因此需要通過(guò)后處理階段來(lái)進(jìn)一步修正。一方面可以通過(guò)調(diào)用多個(gè)大型語(yǔ)言模型來(lái)生成 SQL 語(yǔ)句，通過(guò)多模型投票的策略提高查詢的準(zhǔn)確性和可靠性，也可以通過(guò)對(duì)單個(gè)模型多次生成具有不同溫度參數(shù)（temperature）的查詢結(jié)果，增加結(jié)果的多樣性，然后通過(guò)一致性投票技術(shù)來(lái)選擇最終的輸出結(jié)果。

4. 文件解析

用戶可能上傳 PDF 文檔、word 文檔、FAQ 數(shù)據(jù)等結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)。對(duì)于 PDF，不僅是文字，還涉及表格、公式、圖表等，都需要解析，這里涉及版面識(shí)別的工作。

識(shí)別區(qū)域后需要進(jìn)一步處理。對(duì)于表格，需要使用圖像處理 OCR 的方法，對(duì)表頭、列、元素等進(jìn)行定位和提取。

同時(shí)，我們需要對(duì)文檔中的公式進(jìn)行識(shí)別和解析，并建立索引，以幫助提升搜索結(jié)果的準(zhǔn)確性。

5. 數(shù)據(jù)增強(qiáng)

對(duì)于解析后得到的文本數(shù)據(jù)，可以通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)來(lái)幫助進(jìn)一步提升搜索效果。Self-QA 這項(xiàng)工作針對(duì)于文檔讓大模型生成多個(gè)問(wèn)題，然后將問(wèn)題和原始文檔給到大模型，讓大模型生成答案，從而構(gòu)造了<question, answer>的 pair 對(duì)，形成了 FAQ 庫(kù)。后續(xù)在檢索時(shí)，不只是對(duì)原始的 document 做索引，還可以對(duì) FAQ 做索引。此外，還可以進(jìn)一步對(duì) FAQ 庫(kù)進(jìn)行數(shù)據(jù)增強(qiáng)，比如對(duì) question 通過(guò)大模型構(gòu)造相似問(wèn)，或者對(duì) answer 進(jìn)行 summarize 后，讓大模型生成 question 等。這種方式還有一個(gè)好處，后續(xù)可以將 badcase 的維護(hù)工作交由產(chǎn)品運(yùn)營(yíng)同學(xué)來(lái)完成。

對(duì)于圖片數(shù)據(jù)，可以使用 LLaVA 等模型通過(guò)圖像描述（image captioning）技術(shù)，將圖片轉(zhuǎn)成文本描述進(jìn)行索引召回。在索引的時(shí)候，需要在索引的 meta 字段記錄圖像和文本描述的鏈接關(guān)系，大模型輸出時(shí)，可以通過(guò)證據(jù)溯源技術(shù)，把原始圖像引用出來(lái)。

我們?cè)趯?shí)際業(yè)務(wù)中，經(jīng)常會(huì)遇到一些 bad case，比如對(duì)文檔進(jìn)行總結(jié)摘要，這種場(chǎng)景使用傳統(tǒng)的 RAG 技術(shù)無(wú)法得到很好的滿足。我們使用了微軟團(tuán)隊(duì)的 GraphRAG 工作，對(duì)文檔進(jìn)行增強(qiáng)建模。具體來(lái)說(shuō)，對(duì)于 document 先切成 trunk，即 Text unit。對(duì)于每個(gè) textUnit，進(jìn)行 SPO 三元組抽取、claims 抽取、摘要生成等工作。然后構(gòu)建知識(shí)圖譜，并進(jìn)行層次聚類，構(gòu)建成子圖、社區(qū)等層級(jí)，并向量化。在查詢的時(shí)候，既可以使用全局搜索技術(shù)利用社區(qū)層級(jí)摘要來(lái)推理有關(guān)語(yǔ)料庫(kù)的整體問(wèn)題，也可以使用局部搜索技術(shù)通過(guò)擴(kuò)展到其鄰居和相關(guān)概念來(lái)推理特定實(shí)體的情況。

6. context selection

研究發(fā)現(xiàn)，如果給到大模型的文檔或知識(shí)庫(kù)本身就是不相關(guān)的，效果反而更差。因此，我們可以在檢索后或者重排后將結(jié)果進(jìn)行過(guò)濾。例如，通過(guò)小模型把不相關(guān)的結(jié)果過(guò)濾掉。如果是復(fù)雜的查詢，可以將搜索結(jié)果組織成選擇題形式，使用大模型做選擇題的能力，過(guò)濾掉不相關(guān)的查詢片段。

此外，也可以利用 small2big、調(diào)大長(zhǎng)文本窗口甚至讓大模型直接處理整篇文檔等技術(shù)來(lái)提升效果。

7. 在推理時(shí)解決幻覺(jué)

（1）解碼策略

大模型在推理過(guò)程中，前期生成的內(nèi)容幻覺(jué)率不高，但在推理后期，由于解碼的時(shí)候依賴于前面生成的 token，這個(gè)時(shí)候幻覺(jué)問(wèn)題就會(huì)出現(xiàn)了，可以通過(guò)動(dòng)態(tài)調(diào)整解碼參數(shù)的方法來(lái)緩解。此外也有一些工程化的方案，比如基于 semantic routing 的技術(shù)，對(duì)于不同任務(wù)，設(shè)置不同的解碼參數(shù)，也能達(dá)到不錯(cuò)的效果。

（2）Contrastive Decoding

對(duì)比解碼技術(shù)，是通過(guò)比較不同模型（通常是一個(gè)小模型和一個(gè)大模型）的輸出來(lái)提高解碼過(guò)程的準(zhǔn)確性的。在對(duì)比解碼中，分析大模型和小模型在下一個(gè) token 預(yù)測(cè)上的分布差異（DIFF），以此來(lái)評(píng)估輸出的可靠性。在解碼過(guò)程中，通過(guò)識(shí)別和剪除可能導(dǎo)致幻覺(jué)的路徑來(lái)減少不真實(shí)的輸出。需要對(duì)差異閾值進(jìn)行細(xì)致的調(diào)整，以平衡減少幻覺(jué)和避免錯(cuò)誤剪除有效輸出之間的權(quán)衡。

這個(gè)工作，需要注意線上成本，即是否接受小模型在線上運(yùn)行。

（3）Recitation-augmented generation

回憶增強(qiáng)技術(shù)是一個(gè)比較有意思的工作，類似于人類在回答問(wèn)題時(shí)會(huì)先回憶自己已經(jīng)學(xué)習(xí)到的知識(shí)，然后再進(jìn)行回答?？梢酝ㄟ^(guò)模擬人類回答問(wèn)題的策略，通過(guò)提示工程技術(shù)，讓大模型在回答之前先回憶內(nèi)部知識(shí)，將知識(shí)顯性化放到上下文中，然后再根據(jù)上下文信息進(jìn)行回答，以提高其回答問(wèn)題的準(zhǔn)確性。

（4）Gen-Critic-Edit

自我批判或者知識(shí)編輯，是利用外部數(shù)據(jù)庫(kù)、外部工具、大模型自我判斷等方法，讓大模型對(duì)生成結(jié)果進(jìn)行反思和自我批評(píng)，然后再修正回答的一種技術(shù)。在修正階段，可以使用對(duì)答案進(jìn)行多次生成與一致性投票、訓(xùn)練一個(gè)額外的模型來(lái)對(duì)生成的回答進(jìn)行打分以評(píng)估其質(zhì)量、使用 RAG 技術(shù)從知識(shí)庫(kù)中抽取相關(guān)證據(jù)并利用抽取的證據(jù)來(lái)指導(dǎo)模型進(jìn)行進(jìn)一步的生成等多種策略，來(lái)提高回答的準(zhǔn)確性和可靠性。這里列舉幾個(gè)比較典型的工作。

①RARR

RARR 這個(gè)工作通過(guò)讓大模型對(duì)原始 query 進(jìn)行改寫從而生成多個(gè) query，然后對(duì)每個(gè) query 調(diào)用搜索引擎，將搜索結(jié)果作為參考信息，用于與模型生成的回答進(jìn)行比較。如果搜索結(jié)果與原始回答存在沖突，模型將根據(jù)這些信息進(jìn)行進(jìn)一步的生成和修正。如果搜索結(jié)果與原始回答一致，模型可能認(rèn)為沒(méi)有幻覺(jué)存在。

②FAVA

FAVA 工作需要訓(xùn)練一個(gè)改寫模型，具體來(lái)說(shuō)，通過(guò)數(shù)據(jù)增強(qiáng)的方式，比如插入噪聲文本，修改文本等技術(shù)對(duì)原始文本進(jìn)行破壞，將得到的錯(cuò)誤文本和原始正確文本給到大模型進(jìn)行訓(xùn)練，讓大模型學(xué)會(huì)糾正能力。這種技術(shù)具備一定的成本，適合解決事實(shí)性問(wèn)題，例如政治敏感場(chǎng)景，效果較好。

③some critics

在自我反思和自我批判模塊，還有 CRITIC、self-refine 等一些優(yōu)秀的工作，這里就不做過(guò)多介紹了，大家感興趣可以自行查閱相關(guān)材料。

8. 模型增強(qiáng)技術(shù)

接下來(lái)是一些成本比較高的方法，包括預(yù)訓(xùn)練和微調(diào)對(duì)齊技術(shù)。

（1）預(yù)訓(xùn)練

當(dāng)大型語(yǔ)言模型缺乏特定知識(shí)時(shí)，首要方法就是將這些知識(shí)通過(guò)預(yù)訓(xùn)練的方式訓(xùn)到大模型中?？梢詮耐獠繑?shù)據(jù)源，如 Common Crawl 等數(shù)據(jù)集中提取相關(guān)知識(shí)，并將其納入模型訓(xùn)練中。對(duì)于時(shí)效性較強(qiáng)的知識(shí)，可以通過(guò)時(shí)效性搜索引擎或數(shù)據(jù)抓取工具，實(shí)時(shí)或定期地更新模型的知識(shí)庫(kù)，在模型的持續(xù)預(yù)訓(xùn)練階段，不斷引入新知識(shí)以保持模型知識(shí)的時(shí)效性和覆蓋面。訓(xùn)練過(guò)程中需要仔細(xì)調(diào)整數(shù)據(jù)回放比例、學(xué)習(xí)率、數(shù)據(jù)配比等。

（2）微調(diào)和對(duì)齊

在微調(diào)階段，如果微調(diào)數(shù)據(jù)集中包含了預(yù)訓(xùn)練模型中不存在的知識(shí)，大模型可能會(huì)生成不準(zhǔn)確或虛假的回答，可以在預(yù)訓(xùn)練的退火階段對(duì)微調(diào)數(shù)據(jù)集進(jìn)行 next token prediction 的建模，然后通過(guò) SFT 和 DPO 技術(shù)進(jìn)行進(jìn)一步微調(diào)對(duì)齊。

注意，直接使用人工標(biāo)注的數(shù)據(jù)和搜索引擎結(jié)果作為正負(fù)例進(jìn)行對(duì)齊訓(xùn)練可能存在問(wèn)題。正例和負(fù)例的生成應(yīng)盡量來(lái)自原有模型的輸出，而不是外部來(lái)源，以保持?jǐn)?shù)據(jù)的一致性和可靠性。建議訓(xùn)練一個(gè)打分模型來(lái)評(píng)估數(shù)據(jù)質(zhì)量，幫助識(shí)別哪些數(shù)據(jù)是高質(zhì)量的正例，哪些可能是低質(zhì)量的負(fù)例。

三、360 可信大模型應(yīng)用案例

1. 360 大模型安全解決方案

我們將上述 360 可信大模型解決方案應(yīng)用在了大模型的內(nèi)容安全檢測(cè)業(yè)務(wù)和防護(hù)上，在中國(guó)信通院 AI Safety Benchmark 的 Q1 和 Q2 兩個(gè)季度的安全性評(píng)估上，360 智腦的安全性蟬聯(lián)第一名。

2. 360AI 搜索

同時(shí)，我們將上述解決方案應(yīng)用在了 360AI 搜索產(chǎn)品中，可以看到 360AI 搜索產(chǎn)品可以很好解決這些 GPT4 解決不了的幻覺(jué)性問(wèn)題。

3. 360AI 瀏覽器

360AI 瀏覽器的智閱產(chǎn)品，用戶可以上傳文檔，根據(jù)文檔做問(wèn)答、做翻譯、生成腦圖，讀者有興趣可以去體驗(yàn)一下這套方案在真實(shí)的業(yè)務(wù)場(chǎng)景里面到底做得怎么樣。

四、360 可信大模型的未來(lái)探索

我們的探索不是完成時(shí)，而是進(jìn)行時(shí)。在真實(shí)生成環(huán)境中，隨著業(yè)務(wù)、方案落地，我們遇到更多挑戰(zhàn)。隨著評(píng)測(cè)，我們發(fā)現(xiàn) benchmark 跟真實(shí)場(chǎng)景的數(shù)據(jù)分布和幻覺(jué)一致性不完全相同。所以，我們需要自己在業(yè)務(wù)場(chǎng)景中構(gòu)建自己的 benchmark，并且不斷迭代，去進(jìn)一步發(fā)現(xiàn)問(wèn)題。

五、問(wèn)答環(huán)節(jié)

Q1：RAG 工作流程中，二元分類器是怎么訓(xùn)練的？

A1：首先建立幻覺(jué)體系，根據(jù)不同幻覺(jué)類型，標(biāo)注不同類別。數(shù)據(jù)主要來(lái)自于線上日志。通過(guò)使用各種自動(dòng)化輔助標(biāo)注工具進(jìn)行離線數(shù)據(jù)挖掘和數(shù)據(jù)標(biāo)注，并進(jìn)行人工打標(biāo)，最終形成了我們的訓(xùn)練數(shù)據(jù)，然后再進(jìn)行分類模型的訓(xùn)練。

Q2：混合檢索結(jié)果的重排序，有哪些方法？

A2：我們的方案涉及到了多種檢索策略，包括關(guān)鍵詞搜索、語(yǔ)義搜索、關(guān)系型數(shù)據(jù)庫(kù)搜索、圖搜索、工具調(diào)用等。對(duì)于每種檢索策略，首先會(huì)調(diào)用自己的重排序方法，比如對(duì)于語(yǔ)義搜索，可以使用 bge-rerank 相關(guān)的模型。最終多條召回流的結(jié)果，可以使用策略重排或者通過(guò)數(shù)據(jù)標(biāo)注訓(xùn)練一個(gè)重排模型，這里要結(jié)合自己的業(yè)務(wù)場(chǎng)景來(lái)進(jìn)行調(diào)優(yōu)。