文章摘要
【关 键 词】 AI同行评审、事实核验、DeepMind、长文本检验、成本效益
谷歌DeepMind最近提出了一种名为“搜索增强事实性评估器”（SAFE）的方法，旨在解决大型语言模型（LLM）在生成长篇回答时出现的幻觉问题。
SAFE通过使用其他LLM将答案文本分解为单个叙述，并利用方法如RAG来确定每个叙述的准确性，实现了AI对AI的同行评审。
研究人员首先使用GPT-4生成了一个名为LongFact的提示集，包含数千个问题，涵盖38个主题，并分为LongFact-Concepts和LongFact-Objects两个任务。
SAFE方法将长篇回复分解为一组单独的事实，并使用多步骤推理过程评估每个事实的准确性，包括使用网络搜索进行验证。
此外，研究还提出了一种新的聚合指标，以兼顾精度和召回率。
在实验中，SAFE在单个事实的准确性上与人类标注者的一致性达到了72.0%，并在分歧案例的重新评估中显示出比人类更高的正确率（76%对比19%）。
成本方面，SAFE的成本是人类标注者的1/20，显示出了显著的经济优势。
研究人员还在LongFact上对不同模型系列的13个语言模型进行了基准测试，发现较大的模型通常能实现更好的长格式事实性。
例如，GPT-4-Turbo、Gemini-Ultra和PaLM-2-L-IT-RLHF等超大型模型在测试中表现最佳。
同时，新模型系列如Gemini和Claude也在追赶GPT-4。
尽管SAFE在成本和准确性方面都显示出了优势，但也有声音指出，与人类事实核查员的比较需要更多的细节，例如他们的资格、薪酬和核查过程，以确保比较结果的公正性。
尽管如此，随着语言模型生成的信息量不断增长，拥有一种经济且可扩展的方式来进行事实核验将变得越来越重要。
这项研究的成果已在GitHub上开源，为未来的研究和应用提供了新的可能性。
原文和模型
【原文链接】 阅读原文 [ 1432字 | 6分钟 ]
【原文作者】 新智元
【摘要模型】 gpt-4
【摘要评分】 ★★★☆☆
