中文大模型幻覺(jué)評(píng)測(cè)數(shù)據(jù)集HalluQA對(duì)24個(gè)主流大模型進(jìn)行評(píng)測(cè)

轉(zhuǎn)載贊收藏 評(píng)論

舉報(bào) 2023-11-16

掃描,分享朋友圈

“林黛玉倒拔垂楊柳”、“月球上面有桂樹”、“宋江字武松”……相信經(jīng)常使用大語(yǔ)言模型都會(huì)遇到這樣“一本正經(jīng)胡說(shuō)八道”的情況。這其實(shí)是大模型的“幻覺(jué)”問(wèn)題，是大模型行業(yè)落地的核心挑戰(zhàn)之一。例如幻覺(jué)會(huì)影響生成內(nèi)容的可靠性，對(duì)于法律、金融、醫(yī)療等專業(yè)要求高的領(lǐng)域，將難以完成實(shí)際場(chǎng)景任務(wù)。因此，大模型幻覺(jué)問(wèn)題也被認(rèn)為是制約大模型廣泛應(yīng)用的一大難題。

如何準(zhǔn)確評(píng)估和解決大語(yǔ)言模型中的幻覺(jué)問(wèn)題已經(jīng)成為一個(gè)至關(guān)重要的挑戰(zhàn)。近日，復(fù)旦大學(xué)與上海人工智能實(shí)驗(yàn)室構(gòu)建了針對(duì)中文大模型的幻覺(jué)評(píng)測(cè)數(shù)據(jù)集HalluQA，對(duì)業(yè)界主流的大模型進(jìn)行了評(píng)估。

HalluQA采用無(wú)幻覺(jué)率來(lái)評(píng)估大模型的優(yōu)劣。無(wú)幻覺(jué)率越高代表模型幻覺(jué)越低，事實(shí)準(zhǔn)確性越高。在評(píng)測(cè)的24個(gè)主流大模型中，包括百度文心一言ERNIE-Bot、百川Baichuan、智譜ChatGLM、阿里通義千問(wèn)和GPT-4等。圖片1.png

中文大模型幻覺(jué)評(píng)測(cè)數(shù)據(jù)集HalluQA對(duì)24個(gè)主流大模型進(jìn)行評(píng)測(cè)

從評(píng)測(cè)結(jié)果來(lái)看，幻覺(jué)問(wèn)題對(duì)大模型來(lái)說(shuō)尚有困難，有18個(gè)模型的無(wú)幻覺(jué)率低于50%。在幻覺(jué)消除上，具備檢索增強(qiáng)能力的大模型優(yōu)勢(shì)明顯，在所有模型評(píng)測(cè)中，文心一言在整體幻覺(jué)問(wèn)題解決方面表現(xiàn)突出，排名第一，整體無(wú)幻覺(jué)率為69.33%。而GPT-4整體無(wú)幻覺(jué)率為53.11%，排名第六。圖片2.png HalluQA：不同類型模型在不同類型的問(wèn)題上的平均非幻覺(jué)率

行業(yè)普遍認(rèn)為，幻覺(jué)問(wèn)題對(duì)于大模型在多個(gè)領(lǐng)域的落地都可能產(chǎn)生嚴(yán)重影響，包括客戶服務(wù)、金融服務(wù)、法律決策和醫(yī)療診斷等。因此解決幻覺(jué)問(wèn)題越好的大模型，才具備更強(qiáng)的產(chǎn)業(yè)落地價(jià)值。

本文系作者授權(quán)數(shù)英發(fā)表，內(nèi)容為作者獨(dú)立觀點(diǎn)，不代表數(shù)英立場(chǎng)。
未經(jīng)授權(quán)嚴(yán)禁轉(zhuǎn)載，授權(quán)事宜請(qǐng)聯(lián)系作者本人，侵權(quán)必究。