新智元導讀】大模型的幻覺問題怎么解？谷歌DeepMind：用AI來做同行評審！事實核驗正確率超過人類，而且便宜20倍。
AI的同行評審來了！
一直以來，大語言模型胡說八道（幻覺）的問題最讓人頭疼，而近日，來自谷歌DeepMind的一項研究引發網友熱議：
大模型的幻覺問題，好像被終結了？
論文地址：https://arxiv.org/pdf/2403.18802.pdf
項目地址：https://github.com/google-deepmind/long-form-factuality
在這篇工作中，研究人員介紹了一種名為 "搜索增強事實性評估器"（Search-Augmented Factuality Evaluator，SAFE）的方法。
對于LLM的長篇回答，SAFE使用其他的LLM，將答案文本分解為單個敘述，然后使用諸如RAG等方法，來確定每個敘述的準確性。
——簡單來說就是：AI答題，AI判卷，AI告訴AI你這里說的不對。
真正的「同行」評審。
另外，研究還發現，相比于人工標注和判斷事實準確性，使用AI不但便宜20倍，而且還更靠譜！
目前這個項目已在GitHub上開源。
長文本事實性檢驗
大語言模型經常胡說八道，尤其是有關開放式的提問、以及生成較長的回答時。
比如小編隨手測試一下當前最流行的幾個大模型。
ChatGPT：雖然我的知識儲備只到2021年9月，但我敢于毫不猶豫地回答任何問題。
Claude 3：我可以謙卑且胡說八道。
為了對大模型的長篇回答進行事實性評估和基準測試，研究人員首先使用GPT-4生成LongFact，這是一個包含數千個問題的提示集，涵蓋38個主題。
LongFact包含兩個任務：LongFact-Concepts和LongFact-Objects，前者針對概念、后者針對實體。每個包括30個提示，每個任務各有1140個提示。
然后，使用搜索增強事實性評估器（SAFE），利用LLM將長篇回復分解為一組單獨的事實，并使用多步驟推理過程來評估每個事實的準確性，包括使用網絡搜索來檢驗。
此外，作者建議將F1分數進行擴展，提出了一種兼顧精度和召回率的聚合指標。
