Google DeepMind 大语言模型中的长形态事实性

叶庭云

发布于 2024-05-25 08:14:52

630

发布于 2024-05-25 08:14:52

文章被收录于专栏：Python进阶之路Python进阶之路

论文标题：Long-form factuality in large language models

论文链接：https://arxiv.org/abs/2403.18802

论文的关键信息总结如下：

研究问题是什么？论文探讨了大语言模型（LLMs）在开放式主题上生成内容时经常包含事实性错误的问题。特别是，它们在回答深入的事实性问题时常常产生与既定真相知识相矛盾的声明。

研究动机是什么？动机在于提高 LLMs 在生成长形态事实性内容方面的可靠性，这对于现实世界中需要事实准确响应的场景非常重要。

相关工作有哪些？论文提到了多个现有的基准测试，如 TruthfulQA、HaluEval、FreshQA、HalluQA 和 FELM 等，这些测试主要关注单一事实的知识点，而不是长形态回答。

研究方法是什么？论文提出了一种名为 LongFact 的新的提示集，用于评估 LLMs 在多个领域的长形态事实性。此外，提出了一种名为 SAFE（Search-Augmented Factuality Evaluator）的自动评估方法，利用 LLM 和搜索引擎来评估长形态回答中每个事实的准确性。

实验结果如何？实验结果表明，SAFE 在评估人类注释者的答案方面达到了超人的表现，与人类注释者的一致性为 72%，并在 100 个分歧案例中赢得了 76% 的案例。此外，SAFE 比人类注释者便宜 20 倍以上。

论文的主要贡献是什么？论文的主要贡献包括：生成了 LongFact 提示集，提出了 SAFE 评估方法，引入了 F1@K 作为评估长篇事实性的聚合指标，并对四种模型家族的十三种语言模型进行了广泛的基准测试。

研究的局限性有哪些？论文指出，LongFact 和 SAFE 都依赖于 LLMs 的功能，特别是指令遵循和推理能力。同时，SAFE 依赖于谷歌搜索作为知识来源，可能在某些情况下不足以提供全面的真相验证。

后续工作有哪些方向？论文提出了几个未来研究方向，包括如何通过更好的预训练

{/}

微调或通过使用外部工具来提高 LLMs 的长形态事实性，以及如何改进 SAFE 以减少对搜索启用的语言模型智能体的依赖。

研究的创新点在哪里？创新点在于提出了一种新的长形态事实性评估方法 SAFE，它能够自动地将长篇回答分解为单个事实，并使用搜索引擎来验证每个事实的准确性，这在以往的研究中是不常见的。

研究的实际应用是什么？这项研究的实际应用可能包括改进搜索引擎的结果准确性、提高自动问答系统的质量、以及在需要长形态事实性回答的场景中提供更可靠的 AI 辅助。

SAFE（Search-Augmented Factuality Evaluator）评估方法相较于传统评估方法具有以下优势和不足：

优势：

自动化评估： SAFE 能够自动将长篇回答分解为单个事实，并评估每个事实的准确性，减少了对人工评估的依赖。
高效性： SAFE 在评估成本上比人工注释者便宜 20 倍以上，这使得它在大规模评估任务中更具可行性。
准确性：实验结果表明，SAFE 在与人类注释者一致性方面达到了 72%，并且在随机抽样的分歧案例中，SAFE 的正确率是 76%，这表明 SAFE 在评估准确性方面超越了人类注释者。
动态知识源： SAFE 利用搜索引擎作为知识源，可以获得最新的信息，而不是仅限于预先设定的答案或知识库。
可扩展性： SAFE 的方法可以扩展到多种不同的主题和领域，因为它不依赖于特定领域的预设知识。

不足：

依赖于搜索引擎： SAFE 的评估结果受限于搜索引擎提供的信息的准确性和全面性。对于一些特定的、搜索引擎可能没有足够信息的事实，SAFE 可能无法给出准确的评估。
模型依赖性： SAFE 的性能在很大程度上依赖于所使用的语言模型的能力。如果模型在理解或推理方面存在不足，可能会影响评估结果的准确性。
复杂性： SAFE 的实现相对复杂，涉及多个步骤，包括事实的分解、修订、相关性判断和搜索引擎查询。这可能需要更多的计算资源和更复杂的算法设计。
潜在偏见：尽管 SAFE 试图通过搜索引擎结果来减少偏见，但使用的语言模型可能会对其自身生成的回答表现出偏好，这可能会在评估中引入潜在的偏见。
重复事实的处理： SAFE 假设模型回答中不会出现重复的事实，但实际上模型可能会重复相同的事实来提高其在 F1@K 指标上的得分。论文中提到了这一点，但并未提供解决方案。

综上所述，SAFE 评估方法在提高评估效率和减少成本方面具有明显优势，但在处理特定类型的事实和模型依赖性方面可能存在一些局限性。未来的研究可以探索如何改进 SAFE，以减少其不足并进一步提高评估的准确性和可靠性。

在实施 SAFE（Search-Augmented Factuality Evaluator）评估方法时，确保评估结果的公正性和减少偏见是至关重要的。以下是一些可能的策略：

使用多个知识源： 虽然搜索引擎是一个强大的知识源，但它可能无法覆盖所有领域的所有信息。通过结合多个知识源，包括专业数据库、学术论文和其他可信资源，可以增加评估的全面性和准确性。
多样化的语言模型： 使用来自不同来源和训练数据集的语言模型可以减少对单一模型潜在偏见的依赖。这样可以确保评估过程不会偏向于特定类型的数据或训练过程中可能出现的偏见。
透明的评估过程： SAFE 的评估过程应该是透明的，包括如何生成搜索查询、如何解释搜索结果以及如何做出最终的评估决策。这样可以方便审查和验证评估结果的公正性。
定期校准和更新： 定期对 SAFE 系统进行校准和更新，以确保其评估标准与最新的事实信息和领域知识保持一致。
人工审核和反馈： 虽然 SAFE 旨在自动化评估过程，但在某些情况下，可能需要人工审核来解决复杂或模糊的情况。此外，收集用户和专家的反馈可以帮助识别和纠正潜在的偏见。
避免确认偏误： 在评估过程中，应避免确认偏误，即只寻找支持预先假设的信息。SAFE 应该被设计为公正地评估所有相关事实，无论它们是否支持或反对特定的观点或假设。
评估多样性和包容性： 确保评估过程考虑到多样性和包容性，避免因忽视某些群体或观点而导致的偏见。
公开和可复现的结果： 公开 SAFE 的评估结果和方法，使其他研究人员可以复现和验证这些结果，这有助于提高评估的透明度和可信度。
遵守伦理和法律标准： 在实施 SAFE 评估时，应遵守相关的伦理和法律标准，确保评估活动尊重个人隐私、知识产权和版权法规。