維基百科+大模型打敗幻覺！斯坦福WikiChat性能碾壓GPT-4，準確率高達97.3%
大語言模型的幻覺問題被解決了！
近日，來自斯坦福的研究人員發布了WikiChat——被稱為首個幾乎不產生幻覺的聊天機器人！
論文發表在EMNLP 2023，并且在Github上開源了代碼：
論文地址：https://aclanthology.org/2023.findings-emnlp.157.pdf
項目代碼：https://github.com/stanford-oval/WikiChat
作者表示自己的最佳模型在新的基準測試中獲得了97.3%的事實準確性，而相比之下，GPT-4的得分僅為66.1%。
在「recent」和「tail」兩個知識子集中，這個差距甚至更大。
另外，作者還發現了檢索增強生成（RAG）的幾個缺點，并添加了幾個重要步驟，以進一步減輕幻覺，并改進「對話性」指標。
通過這些優化，WikiChat在事實性方面比微調后的SOTA RAG模型Atlas高出8.5%，
在相關性、信息性、自然性、非重復性和時間正確性方面也大大領先。
最后，作者將基于GPT-4的WikiChat提煉成7B參數的LLaMA，這個模型在事實準確性方面仍然能拿到91.1%的高分，
并且運行速度提高了6.5倍，能效更好，可以本地部署。
大模型+維基百科，一起擊敗幻覺
眾所周知，LLM的幻覺問題由來已久、根深蒂固，
而且曾給各家的大語言模型都造成過不同程度的影響。
基于LLM使用概率來推斷輸出的原理，幻覺這個問題很難徹底解決，
研究人員們為此投入大量的心血，小編也是很期待這個WikiChat的表現！
WikiChat，顧名思義，就是基于維基百科的知識進行訓練，聽起來還挺靠譜的。
除了論文和代碼，研究團隊還部署了可以直接對話的demo供大家測試，好文明！
Demo地址：https://wikichat.genie.stanford.edu/
于是小編迫不及待地要試一試WikiChat的實力。
WikiChat首先進行了自我介紹，表示自己會記錄對話用于研究，
另外，WikiChat有以下三種模式：
默認狀態是平衡輸出速度和準確性，我們可以在右邊的設置中調節。
WikiChat還額外添加了TTS功能，輸出是個溫柔的女聲。
好了，讓我們趕緊「Ask her about anything on Wikipedia」！
——開個玩笑，既然你不會中文，那小編這點英文水平，只能獻丑了......
（注意上面的這句中文不要點擊語音輸出，有可能導致整個聊天卡住無法恢復）
下面，我們首先問一個常識性問題：Sam Altman是OpenAI的CEO嗎？
其實小編想測試她知不知道Altman被開除，然后又王者歸來這件事，
不過這一句「在2020年離開YC，全職加入OpenAI」，貌似就有事實性的錯誤。
小編接下來使用游戲信息進行測試：介紹一下「原神」中的「宵宮」。
這個回答確實沒什么問題，卡池時間和配音演員也正確，
既然提到了配音演員，那順便問一下中文CV是誰：
這......不知道她為什么產生了這樣的幻覺？實際上維基百科中是有相關信息的：
那我們提醒她反思一下：
好家伙，給出了另一個錯誤答案，小編想了一下，應該說的是游戲中另一位角色的CV（負責《神女劈觀》中的戲腔部分，知名度較高）。
那么測試一下，知名度比較高的角色。
小編選擇了在維基百科上有單獨條目的雷電將軍：
這下連卡池時間都有事實性錯誤，——而維基百科中的相關描述是沒有問題的。
WikiChat對于自己一直心心念念的配音演員，倒是沒有回答錯誤。
小編于是不死心地又測試了一遍之前的問題：
WikiChat也是不死心地給出了和之前同樣的回答，并且在要求反思之后，變成了「道歉機器人」。
把模式調整到事實性優先：
WikiChat給出回答的速度要慢了很多，但還是只能道歉。
小編于是換了另一位有單獨百科條目的角色：
除了第一句，后面就開始滿嘴跑火車了。
最后，來問一下配音演員的問題（維基百科的單獨條目中包含此信息）：
......你這個聊天機器人是什么情況，認準了Juhuahua了是嗎？
測試到此結束，小編不知如何總結，有可能是我的問題有問題吧。
比如我問題的相關信息，在英語維基百科的語料中重要性很小。
不論如何，WikiChat在一些問題上的表現確實還不錯，比如宵宮那個問題，換成ChatGPT，就幾乎沒有任何沾邊的事實。
這說明研究人員確實采取了一些有效的優化方法，來解決LLM的幻覺問題。
WikiChat架構
這項工作的事實性基礎是信息檢索（IR），它基于聊天機器人的響應、以及從可信語料庫中檢索到的信息，然后生成方法利用檢索到的數據生成響應。
上圖展示了WikiChat的組件，以及一段示例對話（關于即將上映的電影）。
生成響應所采取的步驟包括：
1. 生成從維基百科檢索的查詢，
2. 總結和過濾檢索到的段落，
3. 從LLM生成響應，
4. 從LLM響應中提取聲明，
5. 使用檢索到的證據對LLM響應中的聲明進行事實核查，
6. 起草響應，
7. 完善響應。
研究人員使用用戶話語來檢索LLM可能不知道的信息，要求LLM做出回應，并對其進行事實檢查。
阻止LLM產生幻覺并不容易。一般情況下，當IR沒有檢索到任何相關信息，或知識語料庫中沒有相關信息時，LLM會產生幻覺來彌補不足。
因此，WikiChat會匯總和過濾檢索到的信息，而不是直接生成響應。
這里分別對LLM生成的每個聲明進行事實核查，并在必要時教系統說「我不知道」。
教LLM理解時間背景：例如，文章中的將來時態可能是指對話時的過去事件。
最重要的是，不能通過放棄這些必要的步驟來過早地優化速度，而是依靠模型蒸餾來減少延遲，直到達到高質量。
上圖中管道的每個階段都是使用上下文學習實現的。
生成的管道不特定于任何語料庫。雖然本文將管道應用于維基百科以創建WikiChat，但它適用于任何自由文本語料庫，包括個人和公司機密信息。
該管道也不特定于任何LLM，作者在本文中將其應用于三個不同的LLM。
策劃正確且與對話上下文相關的信息
LLM能夠解釋用戶話語，制定檢索范圍之外的響應，或者需要聚合來自多個來源的信息或得出結論，比如：
用戶：你認為蘋果會繼續成為科技行業的重要參與者嗎？
GPT-4：是的，......蘋果擁有良好的創新記錄、忠實的客戶群和穩健的財務狀況。全球市值最高的公司，市值超過2萬億美元。繼續探索增強現實、人工智能、自動駕駛汽車等新技術。這將幫助他們在競爭中保持領先地位。
但我們不能完全相信LLM，而是需要對它們的輸出進行事實檢查。此外，LLM不知道最近發生的事件。
在與用戶的對話中，WikiChat會識別何時需要訪問外部信息。這可能是因為最后一個用戶話語包含直接問題（例如「斯蒂芬·庫里是誰？」），或者需要其他信息才能做出全面的回答（例如「我真的很喜歡斯蒂芬·庫里」）。
第1階段，WikiChat生成一個搜索查詢，該查詢通過提示捕獲用戶的興趣（如下圖所示）。作者發現，現有的系統尤其難以適應時間環境。
WikiChat在查詢旁邊生成用戶需求的推斷時間。查詢時間可以是最近、year=yyyy或none之一，分別表示檢索到的信息應盡可能近、特定年份或時間不重要。
將查詢發送到信息檢索系統，從語料庫中獲取相關段落，并根據時態信息對排名靠前的結果進行重新排序，得到Npassages。
第2階段，由于這些段落可能包含相關和不相關部分的混合，WikiChat會提取檢索到的段落的相關部分，并將它們總結為要點，同時過濾掉不相關的部分（如下圖所示）。
第3階段，提示LLM生成對對話歷史記錄的響應。這種回應通常包含有趣且相關的知識，但本質上是不可靠的。
第4階段，LLM響應被分解為多種聲明（如下圖），此階段解析共同引用以減少歧義，并解析相對時間信息（如「當前」和「去年」），以使所有聲明自包含。
然后使用IR從知識語料庫中檢索Nevidence段落，以便每個聲明作為證據，并使用基于時間的重新排名來更好地處理時間敏感的主題。
第5階段，驗證提示（如下圖）使用思維鏈提示，將每個聲明分配給以下三類之一：檢索到的證據是否支持該聲明、反駁該聲明，或者證據中是否沒有足夠的信息來做出此決定。只有有證據支持的主張才會被保留。
使用收集到的信息來形成響應
實驗表明，在滿足所有會話標準的情況下一次性編寫最終響應，對于上下文學習具有挑戰性，尤其是有限的上下文長度，使得很難提供足夠的多輪對話，作為少量示例來涵蓋所有必要的方面。因此，這里采用兩步法：
第6階段，WikiChat根據給定的要點列表和對話歷史記錄生成響應草稿。
第7階段，生成反饋并進行優化——基于相關性、自然性、非重復性和時間正確性的響應。
反饋包含模型對每個標準的推理，以及每個標準的分數介于0到100之間，細化以此反饋為條件。
改進是以這種反饋和分數為條件的，作為一個思維鏈。
最后，我們來看一下WikiChat的效果：
上表展示了WikiChat的評估結果和模擬對話的基線。事實和時間準確性是百分比，其他指標是介于1和5之間的整數的平均值。
事實準確性來自人類評估，其他指標來自小樣本GPT-4。所有指標都是越高越好。
