AIGC：大语言模型LLM的幻觉问题_aigc 幻觉问题

引言

在使用ChatGPT或者其他大模型时，我们经常会遇到模型答非所问、知识错误、甚至自相矛盾的问题。

虽然大语言模型（LLMs）在各种下游任务中展示出了卓越的能力，在多个领域有广泛应用，但存在着幻觉的问题：即生成与用户输入不符、与先前生成的内容矛盾或与已知世界知识不符的内容。

这种现象对LLMs在现实世界场景中的可靠性构成了重大挑战。在准确率要求非常高的场景下幻觉是不可接受的，比如医疗领域、金融领域等。

目前在LLM幻觉问题上已经有无数的研究，比如关于幻觉的检测、幻觉的评估基准分类、缓解幻觉的方法等。

今天我会结合几篇有关LLM幻觉问题的综述论文，来理解LLM幻觉的分类、检测方法、评估和基准、减轻方法等。

最近的一篇是来自哈尔滨工业大学和华为的研究团队，长达49页，对有关LLM幻觉问题的最新进展来了一个全面而深入的概述。

这篇综述（下文简称：综述1）从LLM幻觉的创新分类方法出发，深入探究了可能导致幻觉的因素，并对检测幻觉的方法和基准进行了概述。

论文链接：https://arxiv.org/abs/2311.05232

另外还有一篇综述（下文简称：综述2），来自腾讯AI实验室和一些国内大学的研究团队，综述提出了LLM幻觉现象的分类法和评估基准，分析旨在减轻LLM幻觉的现有方法，并确定未来研究的潜在方向。

论文链接：https://arxiv.org/pdf/2309.01219.pdf

还有一篇有关幻觉的论文（下文简称：论文1），对各种文本生成任务中的幻觉现象进行了新的分类，从而提供了理论分析、检测方法和改进方法。

论文链接：https://arxiv.org/pdf/2309.06794v1.pdf

1 幻觉的分类

在综述2中，将LLMs幻觉分为三种：输入冲突幻觉、上下文冲突幻觉和事实冲突幻觉。

• 输入冲突幻觉：是指生成的内容与用户提供的输入不符；

• 上下文冲突幻觉：是指生成的内容与之前生成的信息相矛盾；

• 事实冲突幻觉：是指生成的内容与已知的世界知识不符。

而在最新的综述1中，将LLM幻觉分为两种：事实型幻觉和忠实度幻觉。

如上图所示，左边是事实型幻觉：当LLM被问到谁是第一个在月球上漫步的人时，LLM编了个人物出来，甚至还说得有模有样。右边是忠实度幻觉：LLM在看到这段新闻后，直接把年份概括错了。

下图是一张更为详细的LLM幻觉种类图，包括更为细致的分类：事实型幻觉包括事实不一致、事实捏造；忠实度幻觉又包括：指令-答案的不一致、文本不一致，以及逻辑不一致。

总的来说，结合事实、上下文、输入的不一致，幻觉的定义和分类上是相似的。

结合常见的下游任务，比如机器翻译、问答系统、对话系统、文本摘要、LLM知识图谱和视觉问答系统，论文1总结了典型的幻觉现象，如下表所示：

 2 幻觉的来源

综述2认为产生幻觉的主要原因有预训练数据收集、知识GAP和大模型优化过程三个方面。

最新的综述1也深入探讨LLM产生幻觉的根本原因，主要分为三个关键方面：数据、训练和推理。

结合起来，我们具体来看下幻觉的来源：

2.1 幻觉来自数据

• 预训练数据：大模型的知识和能力主要来自与预训练数据，如果预训练数据使用了不完整或者过期的数据，那么就很可能导致知识的错误，从而引起幻觉现象。

• 数据利用：LLMs 往往会捕捉到虚假的相关性，在回忆知识（尤其是长尾信息）和复杂推理场景中表现出困难，从而进一步加剧幻觉。

2.2 幻觉来自训练

• 预训练阶段：LLMs在这一阶段学习通用表征并捕捉广泛的知识，通常采用基于transformer的架构，在庞大的语料库中进行因果语言建模。但是，固有的架构设计和研究人员所采用的特定训练策略，可能会产生与幻觉相关的问题。

• 对齐阶段：一般涉及两个主要过程，即监督微调和从人类反馈中强化学习（RLHF）。虽然对齐能显著提高 LLM 响应的质量，但也会带来产生幻觉的风险，主要分为两方面：能力不对齐（Capability Misalignment）和信念不对齐（Belief Misalignment）。

2.3 幻觉来自生成/推理

经过预训练和对齐后，解码在体现 LLM 能力方面发挥着重要作用。然而，解码策略的某些缺陷可能导致 LLM 出现幻觉。综述1深入探讨源于解码过程的潜在原因，并强调两个关键因素：

• 解码策略固有的随机性（Inherent Sampling Randomness）：比如采用采样生成策略（如top-p和top-k）引入的随机性也可能导致幻觉的产生。

• 不完善的解码表示（Imperfect Decoding Representation）：在解码阶段，LLM 使用顶层表示法预测下一个标记。然而，顶层表示法也有其局限性，主要表现在两个方面：上下文关注不足（Insufficient Context Attention）和Softmax瓶颈（Softmax Bottleneck）。

3 幻觉的检测

检测 LLM 中的幻觉对于确保生成内容的可靠性和可信度至关重要。传统的衡量标准主要依赖于词语重叠，无法区分可信内容和幻觉内容之间的细微差别。这样的挑战凸显了为 LLM 幻觉量身定制更复杂的检测方法的必要性。

鉴于这些幻觉的多样性，检测方法也相应地有所不同。

在综述1中，全面介绍了针对事实性幻觉和忠实性幻觉的主要幻觉检测策略。

3.1 事实性幻觉的检测

事实性幻觉的检测方法：通常分为 "检索外部事实"（Retrieve External Facts）和 "不确定性估计"（Uncertainty Estimation）。

检索外部事实：为了有效地指出 LLM 输出中的事实不准确之处，一种直观的策略是将模型生成的内容与可靠的知识来源进行比较，如下图 3 所示。

虽然许多幻觉检测方法都依赖外部知识源进行事实检查，但有几种方法可以在零资源环境下解决这一问题，从而无需检索。

这些策略背后的基本前提是，LLM 幻觉的起源本质上与模型的不确定性有关。

因此，通过对模型生成的事实内容的不确定性进行估计，就可以检测出幻觉。

不确定性估计的方法大致可分为两种：基于内部状态和 LLM 行为，如图 4 所示。前者的前提是可以访问模型的内部状态，而后者则适用于更受限制的环境，仅利用模型的可观测行为来推断其潜在的不确定性。

3.2 忠实性幻觉的检测

忠实性幻觉的检测方法：主要侧重于确保生成的内容与给定上下文保持一致，从而避免无关或矛盾输出的潜在隐患。如下图5探讨在 LLM 生成中检测不忠实的方法。

• 基于事实度量：通过检测生成内容与源内容之间的事实重叠度来评估忠实度。

• 基于分类器的度量：利用经过训练的分类器来区分生成内容与源内容之间的关联程度。

• 基于QA的度量方法：利用问题解答系统来验证源内容与生成内容之间的信息一致性。

• 不确定性估计：通过测量模型对其生成输出的置信度来评估忠实度。

• 基于prompt的度量方法：让LLM充当评估者，通过特定的prompt策略来评估生成内容的忠实度。

4 幻觉的评估

针对不同类型的幻觉，采用的评估方式不一样。

现有针对幻觉的工作，提出了各种基准来评估LLM中的幻觉，如下表5所示：

现有的基准主要根据LLMs的两种不同能力来评估幻觉：生成事实陈述或判别事实陈述与非事实陈述的能力。下表说明了这两种评估形式的区别。

• Generation 生成式基准：将幻觉看作一种生成特征，类似于流畅度和连贯性，并对LLM生成的文本进行评估。例如，TruthfulQA用于评估大型模型对问题的回答的真实性，而FactScore则用于评估大型模型生成的个人传记的事实准确性。

• Discrimination 判别式基准：考察大型模型区分真实陈述和幻觉陈述的能力。具体来说，HaluEval要求模型确定状态信息是否包含幻觉信息，而FACTOR则研究LLM是否更可能生成事实陈述而非非事实陈述。

在这些基准中，TruthfulQA是一种特殊的基准，兼具生成式和判别式两种基准，提供了一个多项选择的替代方案，以测试模型区分真实陈述的能力。

5 幻觉的解决

论文1总结了五种解决幻觉的方法，具体如下图所示：

不同下游任务解决幻觉的方法不同，具体如下图所示：

在哈工大的综述1中，全面回顾了当前减轻幻觉的方法，并根据幻觉成因对这些方法进行了系统分类。

具体来说，综述1将重点放在解决与数据相关的幻觉、与训练相关的幻觉和与推理相关的幻觉的方法上，每种方法都提供了量身定制的解决方案，以应对各自原因所固有的特定挑战。