维基百科+大模型打败幻觉！斯坦福WikiChat性能碾压GPT-4，准确率高达97.3%

来源：新智元

图片来源：由无界 AI生成

大模型固有的幻觉问题严重影响了LLM的表现。斯坦福最新研究利用维基百科数据训练大模型，得到的WikiChat成为首个几乎不产生幻觉的聊天机器人。

大语言模型的幻觉问题被解决了！

近日，来自斯坦福的研究人员发布了WikiChat——被称为首个几乎不产生幻觉的聊天机器人！

论文发表在EMNLP 2023，并且在Github上开源了代码：

论文地址：https://aclanthology.org/2023.findings-emnlp.157.pdf

项目代码：https://github.com/stanford-oval/WikiChat

作者表示自己的最佳模型在新的基准测试中获得了97.3%的事实准确性，而相比之下，GPT-4的得分仅为66.1%。

在「recent」和「tail」两个知识子集中，这个差距甚至更大。

另外，作者还发现了检索增强生成（RAG）的几个缺点，并添加了几个重要步骤，以进一步减轻幻觉，并改进「对话性」指标。

通过这些优化，WikiChat在事实性方面比微调后的SOTA RAG模型Atlas高出8.5%，

在相关性、信息性、自然性、非重复性和时间正确性方面也大大领先。

最后，作者将基于GPT-4的WikiChat提炼成7B参数的LLaMA，这个模型在事实准确性方面仍然能拿到91.1%的高分，

并且运行速度提高了6.5倍，能效更好，可以本地部署。

大模型+维基百科，一起击败幻觉

众所周知，LLM的幻觉问题由来已久、根深蒂固，

而且曾给各家的大语言模型都造成过不同程度的影响。

基于LLM使用概率来推断输出的原理，幻觉这个问题很难彻底解决，

研究人员们为此投入大量的心血，小编也是很期待这个WikiChat的表现！

WikiChat，顾名思义，就是基于维基百科的知识进行训练，听起来还挺靠谱的。

除了论文和代码，研究团队还部署了可以直接对话的demo供大家测试，好文明！

Demo地址：https://wikichat.genie.stanford.edu/

于是小编迫不及待地要试一试WikiChat的实力。

WikiChat首先进行了自我介绍，表示自己会记录对话用于研究，

另外，WikiChat有以下三种模式：

默认状态是平衡输出速度和准确性，我们可以在右边的设置中调节。

WikiChat还额外添加了TTS功能，输出是个温柔的女声。

好了，让我们赶紧「Ask her about anything on Wikipedia」！

——开个玩笑，既然你不会中文，那小编这点英文水平，只能献丑了......

（注意上面的这句中文不要点击语音输出，有可能导致整个聊天卡住无法恢复）

下面，我们首先问一个常识性问题：Sam Altman是OpenAI的CEO吗？

其实小编想测试她知不知道Altman被开除，然后又王者归来这件事，

不过这一句「在2020年离开YC，全职加入OpenAI」，貌似就有事实性的错误。

小编接下来使用游戏信息进行测试：介绍一下「原神」中的「宵宫」。

这个回答确实没什么问题，卡池时间和配音演员也正确，

既然提到了配音演员，那顺便问一下中文CV是谁：

这......不知道她为什么产生了这样的幻觉？实际上维基百科中是有相关信息的：

那我们提醒她反思一下：

好家伙，给出了另一个错误答案，小编想了一下，应该说的是游戏中另一位角色的CV（负责《神女劈观》中的戏腔部分，知名度较高）。

那么测试一下，知名度比较高的角色。

小编选择了在维基百科上有单独条目的雷电将军：

这下连卡池时间都有事实性错误，——而维基百科中的相关描述是没有问题的。

WikiChat对于自己一直心心念念的配音演员，倒是没有回答错误。

小编于是不死心地又测试了一遍之前的问题：

WikiChat也是不死心地给出了和之前同样的回答，并且在要求反思之后，变成了「道歉机器人」。

把模式调整到事实性优先：

WikiChat给出回答的速度要慢了很多，但还是只能道歉。

小编于是换了另一位有单独百科条目的角色：

除了第一句，后面就开始满嘴跑火车了。

最后，来问一下配音演员的问题（维基百科的单独条目中包含此信息）：

......你这个聊天机器人是什么情况，认准了Juhuahua了是吗？

测试到此结束，小编不知如何总结，有可能是我的问题有问题吧。

比如我问题的相关信息，在英语维基百科的语料中重要性很小。

不论如何，WikiChat在一些问题上的表现确实还不错，比如宵宫那个问题，换成ChatGPT，就几乎没有任何沾边的事实。

这说明研究人员确实采取了一些有效的优化方法，来解决LLM的幻觉问题。

WikiChat架构

这项工作的事实性基础是信息检索（IR），它基于聊天机器人的响应、以及从可信语料库中检索到的信息，然后生成方法利用检索到的数据生成响应。

上图展示了WikiChat的组件，以及一段示例对话（关于即将上映的电影）。

生成响应所采取的步骤包括：

1. 生成从维基百科检索的查询，
2. 总结和过滤检索到的段落，
3. 从LLM生成响应，
4. 从LLM响应中提取声明，
5. 使用检索到的证据对LLM响应中的声明进行事实核查，
6. 起草响应，
7. 完善响应。

研究人员使用用户话语来检索LLM可能不知道的信息，要求LLM做出回应，并对其进行事实检查。

阻止LLM产生幻觉并不容易。一般情况下，当IR没有检索到任何相关信息，或知识语料库中没有相关信息时，LLM会产生幻觉来弥补不足。

因此，WikiChat会汇总和过滤检索到的信息，而不是直接生成响应。

这里分别对LLM生成的每个声明进行事实核查，并在必要时教系统说「我不知道」。

教LLM理解时间背景：例如，文章中的将来时态可能是指对话时的过去事件。

最重要的是，不能通过放弃这些必要的步骤来过早地优化速度，而是依靠模型蒸馏来减少延迟，直到达到高质量。

上图中管道的每个阶段都是使用上下文学习实现的。

生成的管道不特定于任何语料库。虽然本文将管道应用于维基百科以创建WikiChat，但它适用于任何自由文本语料库，包括个人和公司机密信息。

该管道也不特定于任何LLM，作者在本文中将其应用于三个不同的LLM。

策划正确且与对话上下文相关的信息

LLM能够解释用户话语，制定检索范围之外的响应，或者需要聚合来自多个来源的信息或得出结论，比如：

用户：你认为苹果会继续成为科技行业的重要参与者吗？
GPT-4：是的，......苹果拥有良好的创新记录、忠实的客户群和稳健的财务状况。全球市值最高的公司，市值超过2万亿美元。继续探索增强现实、人工智能、自动驾驶汽车等新技术。这将帮助他们在竞争中保持领先地位。

但我们不能完全相信LLM，而是需要对它们的输出进行事实检查。此外，LLM不知道最近发生的事件。

在与用户的对话中，WikiChat会识别何时需要访问外部信息。这可能是因为最后一个用户话语包含直接问题（例如「斯蒂芬·库里是谁？」），或者需要其他信息才能做出全面的回答（例如「我真的很喜欢斯蒂芬·库里」）。

第1阶段，WikiChat生成一个搜索查询，该查询通过提示捕获用户的兴趣（如下图所示）。作者发现，现有的系统尤其难以适应时间环境。

WikiChat在查询旁边生成用户需求的推断时间。查询时间可以是最近、year=yyyy或none之一，分别表示检索到的信息应尽可能近、特定年份或时间不重要。

将查询发送到信息检索系统，从语料库中获取相关段落，并根据时态信息对排名靠前的结果进行重新排序，得到Npassages。

第2阶段，由于这些段落可能包含相关和不相关部分的混合，WikiChat会提取检索到的段落的相关部分，并将它们总结为要点，同时过滤掉不相关的部分（如下图所示）。

第3阶段，提示LLM生成对对话历史记录的响应。这种回应通常包含有趣且相关的知识，但本质上是不可靠的。

第4阶段，LLM响应被分解为多种声明（如下图），此阶段解析共同引用以减少歧义，并解析相对时间信息（如「当前」和「去年」），以使所有声明自包含。

然后使用IR从知识语料库中检索Nevidence段落，以便每个声明作为证据，并使用基于时间的重新排名来更好地处理时间敏感的主题。

第5阶段，验证提示（如下图）使用思维链提示，将每个声明分配给以下三类之一：检索到的证据是否支持该声明、反驳该声明，或者证据中是否没有足够的信息来做出此决定。只有有证据支持的主张才会被保留。

使用收集到的信息来形成响应

实验表明，在满足所有会话标准的情况下一次性编写最终响应，对于上下文学习具有挑战性，尤其是有限的上下文长度，使得很难提供足够的多轮对话，作为少量示例来涵盖所有必要的方面。因此，这里采用两步法：

第6阶段，WikiChat根据给定的要点列表和对话历史记录生成响应草稿。

第7阶段，生成反馈并进行优化——基于相关性、自然性、非重复性和时间正确性的响应。

反馈包含模型对每个标准的推理，以及每个标准的分数介于0到100之间，细化以此反馈为条件。

改进是以这种反馈和分数为条件的，作为一个思维链。

最后，我们来看一下WikiChat的效果：

上表展示了WikiChat的评估结果和模拟对话的基线。事实和时间准确性是百分比，其他指标是介于1和5之间的整数的平均值。

事实准确性来自人类评估，其他指标来自小样本GPT-4。所有指标都是越高越好。

参考资料：

https://twitter.com/WikiResearch/status/1742151646627377382