相信很多大家對大模型在裝傻！谷歌蘋果最新發(fā)現(xiàn)：LLM知道但不告訴你，掌握知識比表現(xiàn)出來的多還不知道吧，今天菲菲就帶你們一起去了解一下~.~！

大模型的應(yīng)用歷來受幻覺所擾。

這個幻覺可以指代LLM產(chǎn)生的任何類型的錯誤:事實不準(zhǔn)確、偏見、常識推理失敗等等。

——是因為大模型學(xué)半天白學(xué)了嗎?并不是。

近日，來自谷歌和蘋果的研究表明:AI模型掌握的知識比表現(xiàn)出來的更多!

論文地址:https://arxiv.org/pdf/2410.02707

研究人員在LLM內(nèi)部表示上訓(xùn)練分類器，以預(yù)測與生成輸出的真實性相關(guān)的各種特征。

結(jié)果表明LLM的內(nèi)部狀態(tài)編碼反映出的真實性信息，比以前認(rèn)識到的要多得多。

這些真實性信息集中在特定的token中，利用這一屬性可以顯著提高檢測LLM錯誤輸出的能力。

雖說這種錯誤檢測無法在數(shù)據(jù)集中泛化，但好處是，模型的內(nèi)部表示可用于預(yù)測模型可能犯的錯誤類型，從而幫助我們制定緩解錯誤的策略。

研究揭示了LLM內(nèi)部編碼和外部行為之間的差異:可能編碼了正確的答案，卻生成了不正確的答案。

——簡單來說就是，LLM它知道，但它不想告訴你!

LLM在裝傻

作者建議將重點從以人類為中心的幻覺解釋轉(zhuǎn)移到以模型為中心的視角，檢查模型的中間激活。

不同于使用RAG或者依賴更強(qiáng)大的LLM judge，本文工作的重點是僅依賴于模型輸出的logits、softmax后的概率和隱藏狀態(tài)的計算。

第一步是確定真實性信號在LLM中的編碼位置。

假設(shè)我們可以訪問LLM的內(nèi)部狀態(tài)（白盒），但不能訪問任何外部資源(搜索引擎或其他LLM)。

建立一個數(shù)據(jù)集D，由N個問題標(biāo)簽對組成，對于每個問題，提示模型生成響應(yīng)，從而得到一組預(yù)測答案。

接下來，比較LLM生成的回答與正確答案，從而構(gòu)建錯誤檢測數(shù)據(jù)集（這一部可由AI代勞）。

實驗選擇了四個LLM:Mistral-7b，Mistral-7b-instruct-v0.2，Llama3-8b和Llama3-8b-instruct。

作者選取了10個跨越不同領(lǐng)域和任務(wù)的數(shù)據(jù)集:TriviaQA、HotpotQA（with/without context）、Natural Questions、Winobias、Winogrande、MNLI、Math、IMDB review sentiment analysis和另一個自制的電影角色數(shù)據(jù)集。

實驗允許無限制地生成響應(yīng)以模擬現(xiàn)實世界LLM的用法，并貪婪地解碼答案。

性能指標(biāo)

測量ROC曲線下面積以評估錯誤檢測器，這能夠反映模型在多個閾值中區(qū)分陽性和陰性情況的能力，平衡靈敏度（真陽性率）和特異性(假陽性率)。

錯誤檢測方法

作者認(rèn)為，現(xiàn)有方法忽略了一個關(guān)鍵的細(xì)節(jié):用于錯誤檢測token的選擇。

研究者通常只關(guān)注最后生成的token或取平均值，然而，由于LLM一般會生成長格式響應(yīng)，這種做法可能會錯過重要的部分。

本文中，作者關(guān)注表示確切答案的token（EXACT ANSWER TOKENS），它代表了生成的響應(yīng)中最有意義的部分。

這里將EXACT ANSWER TOKENS定義為，如果修改則會改變答案正確性的token。

實踐中，作者使用設(shè)置好的instruct模型代勞，來提取確切答案。之后，通過簡單的搜索過程確定對應(yīng)的token。

重點關(guān)注4個特定token:第一個確切答案的token及其前一個token、最后一個確切答案token及其后一個token。

作者廣泛分析了層和token選擇對分類器的激活提取的影響，通過系統(tǒng)地探測模型的所有層，從最后一個問題token開始，一直到最終生成的token。

上圖顯示了Mistral-7b-Struct中各個層和token關(guān)于探測的AUC指標(biāo)。雖然一些數(shù)據(jù)集似乎更容易進(jìn)行錯誤預(yù)測，但所有數(shù)據(jù)集都表現(xiàn)出一致的真實性編碼模式，中后期層通常會產(chǎn)生最有效的探測結(jié)果。

通過比較使用和不使用EXACT ANSWER TOKENS的性能，來評估各種錯誤檢測方法，上表展示了三個代表性數(shù)據(jù)集上的AUC。

不同任務(wù)中的泛化

了解錯誤檢測器在不同任務(wù)中的泛化能力，對于實際應(yīng)用程序至關(guān)重要。

上圖（a）顯示了Mistral-7b-instruct的泛化結(jié)果，大于0.5的值表示泛化成功。乍一看，大多數(shù)熱圖值超過了0.5，似乎任務(wù)之間存在一定程度的泛化。

然而事實上，大部分性能可以通過基于logit的真度檢測來實現(xiàn)。圖（b）顯示了從最強(qiáng)的基于Logit的基線(Logit-min-exact)中減去結(jié)果后的相同熱圖。

這表示檢測器的泛化程度很少超過僅依賴Logit所能達(dá)到的效果。所以，泛化并不源于真實性的內(nèi)部編碼，而是反映了已經(jīng)通過logits等外部特征訪問的信息。

經(jīng)過訓(xùn)練的探測分類器可以預(yù)測錯誤，但其泛化能力只發(fā)生在需要相似技能的任務(wù)（如事實檢索）中。

對于涉及不同技能的任務(wù)，例如情感分析，探測分類器與基于logit的不確定性預(yù)測器效果差不多。

在確定了錯誤檢測的局限性，并研究了不同任務(wù)的錯誤編碼有何不同之后，作者深入研究了單個任務(wù)中的錯誤，根據(jù)模型對重復(fù)樣本的響應(yīng)對其錯誤進(jìn)行分類。

比如，持續(xù)生成的相同錯誤與偶爾生成的錯誤屬于不同類別。

研究人員在T =30的溫度設(shè)置下，對數(shù)據(jù)集中的每個樣本進(jìn)行采樣，然后分析答案的結(jié)果分布。

上圖展示了三種代表性的錯誤類型:

分類的標(biāo)準(zhǔn)有三個:生成的不同答案的數(shù)量，正確答案的頻率，以及最常見的錯誤答案的頻率。

上表顯示了所有模型的測試集結(jié)果。結(jié)果表明，可以從貪婪解碼的中間表示中預(yù)測錯誤類型。

模型的這種內(nèi)部真實性如何在響應(yīng)生成過程中與其外部行為保持一致?

作者使用經(jīng)過錯誤檢測訓(xùn)練的探測器，從同一問題的30個響應(yīng)中選擇一個答案，根據(jù)所選答案衡量模型的準(zhǔn)確性。

如果這種準(zhǔn)確性與傳統(tǒng)解碼方法（如貪婪解碼）沒有顯著差異，則表明LLM的真實性內(nèi)部表示與其外部行為一致。

實驗在TriviaQA、Winobias和Math上進(jìn)行，選擇probe評估的正確性概率最高的答案。這里比較了三個基線:貪婪解碼;從30個候選答案中隨機(jī)選擇;選擇生成的最頻繁的答案。

結(jié)果如上圖所示，總體而言，使用探針選擇答案可以提高LLM所有檢查任務(wù)的準(zhǔn)確性。但是，改進(jìn)的程度因錯誤類型而異。

探針可以有效地識別正確答案的事實表明，LLM的內(nèi)部編碼與其外部行為之間存在重大脫節(jié):即使模型編碼了哪個答案是正確的信息，它在實踐中仍然可能生成錯誤的答案。

參考資料:

https://arxiv.org/pdf/2410.02707

以上就是關(guān)于【大模型在裝傻！谷歌蘋果最新發(fā)現(xiàn)：LLM知道但不告訴你，掌握知識比表現(xiàn)出來的多】的相關(guān)內(nèi)容，希望對大家有幫助！

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！