斯坦福大學研究：通過自動偏好排名和NLP進展，降低大語言模型錯誤率

　　研究人員從斯坦福大學和UNC Chapel Hill共同努力解決了大語言模型(LLMs)產(chǎn)生的事實性錯誤的問題，這些錯誤被稱為“幻覺”。在沒有人工標記的情況下，研究人員通過微調(diào)LLMs，采用新穎的方法，以在開放式生成環(huán)境中提高事實準確性。利用自然語言處理(NLP)領(lǐng)域的最新創(chuàng)新，他們通過評估與外部知識庫的一致性來判斷事實性，并采用直接偏好優(yōu)化算法進行微調(diào)。這一方法顯著提高了Llama-2的事實性，在7B規(guī)模下大幅降低了傳記和醫(yī)學問題響應(yīng)的事實錯誤率。

　　為減少語言模型的事實錯誤，研究人員采用了各種策略，包括提示，內(nèi)部表示擾動和基于檢索的方法。隨著模型規(guī)模的增加，解決沖突和事實性維護方面存在挑戰(zhàn)。FactScore變體在訓練期間采用檢索來解決推理時間復(fù)雜性。通過微調(diào)的偏好學習有效地減少了不正確的事實。該研究引入了一種無參考方法，利用語言模型的不確定性來估計真實性。從自動生成的偏好對中學習事實性成為一種經(jīng)濟有效的方法，展示了在無人工干預(yù)的情況下潛在的改進。

　　著眼于開放式生成環(huán)境，該研究提出在不進行人工標記的情況下微調(diào)語言模型以提高事實性。他們利用最新的NLP創(chuàng)新，包括通過外部知識庫判斷事實性和使用直接偏好優(yōu)化算法。該方法涉及從自動生成的事實性偏好排序中學習，相比其他策略在基準數(shù)據(jù)集上生成傳記和回答醫(yī)學問題時顯著降低了事實錯誤率。

　　該研究通過一致性評估外部知識庫或模型置信度來判斷事實性。采用直接偏好優(yōu)化算法進行微調(diào)，關(guān)注超越監(jiān)督模仿的目標。該研究建議通過現(xiàn)有檢索系統(tǒng)或新穎的無檢索方法學習從自動生成的事實性偏好排序中學到的方法。評估包括FactScore等自動化指標，人工評估者，以及與推理時間干預(yù)和對比層解碼等方法的比較。

　　該方法展示了從自動生成的事實性偏好排序中學習在提高語言模型事實性方面的有效性。微調(diào)的Llama-2模型在傳記的事實錯誤率上降低了58%，在醫(yī)學問題上降低了40%，相比RLHF或解碼策略。人工評估者評價FactTune-FS模型顯著高于SFT模型。GPT-4的評估和FactScore評級顯示高度相關(guān)，表明FactTune-FS在減少事實錯誤方面取得成功。

　　該研究提出了增強語言模型事實性的有效策略，強調(diào)了長篇生成。探討了兩種方法:使用外部知識的基于參考的真實性估計和使用模型不確定性的無參考估計。通過任一方法微調(diào)語言模型都能一致減少不正確的事實。無參考方法為事實性改進提供了一種可擴展的自我監(jiān)督策略，無需黃金參考語料庫。實驗結(jié)果指出了未來研究的有望方向，建議探索聯(lián)合事實性調(diào)諧方法，并將該方法擴展到更大的模型，如GPT-4。

　　未來的研究建議探索將事實性調(diào)諧與現(xiàn)有方法結(jié)合，例如事實性調(diào)諧DOLA實驗。建議進一步研究將事實性增強的解碼技術(shù)與事實性調(diào)諧過程相結(jié)合，以增強事實性。評估結(jié)合不同方法，如事實性調(diào)諧和推理時間干預(yù)，可以提供有關(guān)互補機制的見解。對提取原子事實的簡化方法進行調(diào)查，并將事實性調(diào)諧方法擴展到更大的模型，如GPT-4，提出了進一步探討的建議。