比人類便宜20倍！谷歌DeepMind推出「超人」AI系統

【導讀】大模型的幻覺問題怎麼解？谷歌DeepMind：用AI來做同儕審查！事實核驗正確率超過人類，而且便宜20倍。

AI的同儕評審來了！

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？

論文網址：https://arxiv.org/pdf/2403.18802.pdf

專案網址：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"搜尋增強事實性評估器"（Search-Augmented Factuality Evaluator，SAFE）的方法。

對於LLM的長篇回答，SAFE使用其他的LLM，將答案文字分解為單一敘述，然後使用諸如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你這裡說的不對。

真正的「同儕」評審。

另外，研究也發現，相較於人工標註和判斷事實準確性，使用AI不但便宜20倍，而且還更可靠！

目前這個專案已在GitHub上開源。

長文本事實性檢定

大語言模式經常胡說八道，尤其是開放式的提問、以及產生較長的回答時。

例如小編隨手測試一下目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，但我敢於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產生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、後者針對實體。每個包括30個提示，每個任務各有1140個提示。

然後，使用搜尋增強事實性評估器（SAFE），利用LLM將長篇回應分解為一組單獨的事實，並使用多步驟推理流程來評估每個事實的準確性，包括使用網路搜尋來檢驗。

此外，作者建議將F1分數擴展，提出了兼顧精確度和召回率的聚合指標。

SAFE工作流程

如上圖所示，首先提示語言模型將長篇回應中的每個句子拆分為單一事實。

然後，透過指示模型將模糊的引用（代名詞等）替換為上下文中引用的適當實體，將每個單獨的事實修改為自包含的事實。

為了對每個獨立的個別事實進行評分，研究人員使用語言模型來推理該事實是否與上下文中相關，並使用多步驟方法對每個相關事實進行評估。

如上圖所示，在每個步驟中，模型都會根據要評分的事實和先前獲得的搜尋結果產生搜尋查詢。

在設定的步驟數之後，模型執行推理以確定搜尋結果是否支持該事實。

比人類更好用

首先，直接比較對於每個事實的SAFE註釋和人類註釋，可以發現，SAFE在72.0%的單一事實上與人類一致（見下圖），表明SAFE幾乎達到了人類的水平。

——這還沒完，跟人類一致不代表正確，如果拿正確性PK一下呢？

研究人員在所有SAFE註釋與人類註釋產生分歧的案例中，隨機抽樣出100個，然後人工重新比較到底誰是正確的（透過網路搜尋等途徑）。

最終結果令人震驚：在這些分歧案例中，SAFE註釋的正確率為76%，而人工註釋的正確率僅為19%（見上圖），－SAFE以將近4比1的勝率戰勝了人類。

然後我們再看一下成本：總共496個提示的評分，SAFE發出的GPT-3.5-Turbo API呼叫成本為64.57美元，Serper API呼叫成本為31.74 美元，因此總成本為96.31美元，相當於每個回應0.19美元。

而人類標註這邊，每個回應的成本為4美元，－－AI比人類便宜了整整20倍以上！

對此，有網友評價，LLM在事實查核上有「超人」等級的表現。

評分結果

據此，研究人員在LongFact上對四個模型系列（Gemini、GPT、Claude和PaLM-2）的13個語言模型進行了基準測試，結果如下圖所示：

研究人員發現，一般情況下，較大的模型可以實現更好的長格式事實性。

例如，GPT-4-Turbo比GPT-4好，GPT-4比GPT-3.5-Turbo好，Gemini-Ultra比Gemini-Pro更真實，而PaLM-2-L-IT-RLHF比PaLM-2-L -IT要好。

在兩個選定的K值下，三個表現最好的模型（GPT-4-Turbo、GeminiUltra和PaLM-2-L-IT-RLHF），都是各自家族中超大杯。

另外，Gemini、Claude-3-Opus和Claude-3-Sonnet等新模型系列正在趕上GPT-4，——畢竟GPT-4（gpt-4-0613）已經有點舊了。

是誤導嗎？

對於人類在這項測試中顏面盡失的結果，我們不免有些懷疑，成本應該是比不過AI，但是準確性也會輸？

Gary Marcus表示，你這裡面關於人類的資訊太少了？人類標註員到底是什麼程度？

為了真正展示超人的表現，SAFE需要與專業的人類事實查核員進行基準測試，而不僅僅是眾包工人。人工評分者的具體細節，例如他們的資格、薪酬和事實查核過程，對於比較的結果至關重要。

「這使得定性具有誤導性。」

當然了，SAFE的明顯優勢就是成本，隨著語言模型產生的資訊量不斷爆炸性增長，擁有一種經濟且可擴展的方式，來進行事實核驗將變得越來越重要。（新智元）

參考資料：

https://venturebeat.com/ai/google-deepmind-unveils-superhuman-ai-system-that-excels-in-fact-checking-saving-costs-and-improving-accuracy/