ChatGPT虽然在众多领域提高了效率，但偶尔也会“胡说八道”。针对这一问题，近日牛津大学团队在Nature发表研究，提出了一种基于“语义熵”的检测工具，有效区分大语言模型生成内容的真实性。这项工具通过衡量词汇在上下文中的含义变化，而非仅依赖词汇本身，为提高AI输出的可靠性提供了新思路。
ChatGPT等大语言模型（large language model, LLM）的出现在大量场景中提高了生产效率，但大家使用这类工具时，相信都有这样的体会：虽说面对我们的绝大多数提问，ChatGPT总能迅速给出答案，但这些回答却时不时伴随着各种错误，甚至可能会“一本正经地胡说八道”。
来源：Pexels
这些问题的出现，无疑限制了LLM在很多专业领域的应用。下面要介绍的这篇论文里，就举了这样一个生物医学领域的例子。Lumakras（sotorasib）是首个获FDA批准上市的KRAS抑制剂，用于治疗“不可成药”靶点KRAS G12C突变的非小细胞肺癌。但当我们向LLM询问sotorasib的作用靶点时，LLM时而会提供正确的答案KRAS G12C，但有时也会答成错误的KRAS G12D。
在这里，LLM并不是因为接受了错误数据的训练而持续出错，也不是为了追求奖励而“撒谎”。这种LLM流利地随意给出错误回答的现象被称作“虚构”（confabulation），这是LLM出错的一类常见情形，并且由于人类无法可靠监督的案例持续存在，即使模型能力增强，这种错误也难以避免。
那么，有什么办法可以自动分辨出LLM胡编乱造的内容，从而为我们提供更可靠的答案吗？在最新一期《自然》杂志上，牛津大学科学家Sebastian Farquhar博士带领团队，基于“语义熵”提出了一种检验LLM回答真实性的巧妙策略。
介绍这项最新策略之前，我们首先需要理解的是，LLM的虚构行为是怎么产生的？事实上，LLM在面对提问时，既不是直接去数据库里找相同的信息，也不能真正理解这个问题的含义。LLM所做的，本质上来说是预测——根据大量训练的结果，预测这句话后面最可能接上的词汇，直至生成完整的文本。因此，LLM的虚构现象，就来自这个过程中出现的不可预测的错误。
是否有办法能提升预测的准确性呢？在最新研究中，作者借用了一个我们曾经熟悉的概念——熵。我们知道，在热力学中，熵描述的是系统的混乱或者说不稳定程度。而在这里，熵衡量了LLM回答的不确定性，不确定性高意味着回答可能存在虚构。
传统意义上，这里的熵是基于词汇的不确定性，但我们知道，即使两句话用词、表达不同，但也可能代表相同的含义。因此，作者提出了“语义熵”的概念，通过词汇在上下文中的含义变化，来衡量句子含义而不是词汇层面的不确定性。
图片来源：参考资料[2]
接下来，我们就以上面这张流程图为例，介绍最新策略是如何基于语义熵来检测LLM的虚构回答。面对“太阳系最大的卫星是什么”这个问题时，LLM会生成五花八门的回答。如果是以词汇为基础的熵，图中的6个回答代表了各不相同的答案，例如“Jupiter’s Ganymede（木星的木卫三）”、“It’s Ganymede（是木卫三）”、“Ganymede has a radius of 2,600 km（木卫三的半径为2600千米）”会被认为是3个不同的回答。
但显然，实际情况并非如此。尽管用词不同，但这些回答都指向了同一个结果。这时，语义熵就发挥了作用。研究团队使用第二个“语义等价”LLM，通过算法将具有相似含义的答案归为同一个语义簇。这时，前文提到的3个回答都指向了同一个答案：木卫三。同样，“Titan”和“Saturn’s moon Titan”也指向了另一个答案：土卫六。这时就可以根据这些归类后的语义簇来检测虚构的内容。例如，相比于“木卫三”，“土卫六”和“木卫四”（Callisto）这两个答案的语义熵（或者说不确定性）更高，因此被检测为虚构结果。
最后，第三个LLM登场，它的作用是将上述结果与人类生成的参考答案进行比较，通过匹配情况最终来确认结果、评价这个方法的有效性。
同样，通过下图我们可以看到，这个基于语义熵的策略还可以检测更长文字段落中的虚构内容，具体方法是首先将长段落自动分解为多个单元，再对每个单元生成潜在相关的问题、利用上述的3个LLM进行回答与验证。
图片来源：参考资料[1]
在这项研究中，作者还让人类志愿者分别评价100对分别来自模型输出与人类回答的答案，结果志愿者对来自模型和人类的答案认同程度近乎相同，这一结果进一步证实了评估策略的合理性。
那么，这套方案在实际应用中的效果如何呢？接下来的研究分别在两类问题中进行了检验。
首先是检验Q&A问答与数学问题中的虚构内容，如下图所示，AUROC特征曲线衡量的是不同策略预测LLM错误的准确性，而AURAC检验的是策略拒绝回答那些很可能虚构结果的问题的表现。结果，在AUROC和AURAC这两个指标下，语义熵（以及语义熵的离散近似）的表现都优于基准值以及基于词汇的初始熵。例如，语义熵的AUROC最佳值达到0.790，而基准值和初始熵都低于0.7。
图片来源：参考资料[1]
接下来，作者检验了该策略检验传记中虚构内容的能力。为此，研究团队基于GPT-4开发了一个传记数据集，并从GPT-4生成的传记中提取关于个人的事实主张。面对这个具有挑战性的长段落问题，语义熵策略将段落分解后进行回答。如下图所示，在AUROC和AURAC这两个指标下，语义熵策略的表现都优于基准值。在超过80%的问题中，语义熵的准确性都更高。只有在前20%最可能虚构答案的问题被拒绝回答的情况下，基准值的回答准确性才优于语义熵。
图片来源：参考资料[1]
综上，这项研究考虑了语义等价性后，为检测LLM生成的虚构内容提供了全新的有效策略。值得注意的是，同期的评论文章提醒，这项研究中通过LLM来评价LLM的思路，就如同“以毒攻毒”，存在循环论证的问题，并可能由此导致偏差。不过评论文章也指出，这项策略将帮助使用者理解，在哪些情况下需要格外留意LLM的答案，而LLM也可能在更广泛的应用场景中提升置信度。
[1] Farquhar, S., Kossen, J., Kuhn, L. et al. Detecting hallucinations in large language models using semantic entropy. Nature 630, 625–630 (2024). https://doi.org/10.1038/s41586-024-07421-0
[2] ‘Fighting fire with fire’ — using LLMs to combat LLM hallucinations. Retrieved June 19, 2024 from https://www.nature.com/articles/d41586-024-01641-0
本文经授权转载自微信公众号“学术经纬”。
