TaD+RAG- 缓解大模型“幻觉”的组合新疗法
TaD:任务感知解码技术(Task-aware Decoding,简称 TaD),京东联合清华大学针对大语言模型幻觉问题提出的一项技术,成果收录于 IJCAI2024。
RAG:检索增强生成技术(Retrieval-augmented Generation,简称 RAG),是业内解决 LLM 幻觉问题最有效的系统性方案。
1. 背景介绍
近来,以 ChatGPT 为代表的生成式大语言模型(Large Language Model,简称 LLM)掀起了新一轮 AI 热潮,并迅速席卷了整个社会的方方面面。得益于前所未有的模型规模、训练数据,以及引入人类反馈的训练新范式,LLM 在一定程度上具备对人类意图的理解和甄别能力,可实现生动逼真的类人对话互动,其回答的准确率、逻辑性、流畅度都已经无限接近人类水平。此外,LLM 还出现了神奇的“智能涌现”现象,其产生的强大的逻辑推理、智能规划等能力,已逐步应用到智能助理、辅助创作、科研启发等领域。京东在诸多核心业务如 AI 搜索、智能客服、智能导购、创意声称、推荐/广告、风控等场景下,均对 LLM 的落地应用进行了深入探索。这一举措提升了业务效率,增强了用户体验。
尽管具备惊艳的类人对话能力,大语言模型的另外一面——不准确性,却逐渐成为其大规模落地的制约和瓶颈。通俗地讲,LLM 生成不准确、误导性或无意义的信息被称为“幻觉”,也就是常说的“胡说八道”。当然也有学者,比如 OpenAI 的 CEO Sam Altman,将 LLM 产生的“幻觉”视为“非凡的创造力”。但是在大多数场景下,模型提供正确回答的能力至关重要,因此幻觉常常被认为是一种缺陷;尤其是在一些对输出内容准确性要求较高的场景下,比如医疗诊断、法律咨询、工业制造、售后客服等,幻觉问题导致的后果往往是灾难性的。
本文主要探索针对 LLM 幻觉问题的解决方案。
2. 相关调研
众所周知,大语言模型的本质依然是语言模型(Language Model,简称 LM),该模型可通过计算句子概率建模自然语言概率分布。具体而言,LM 基于统计对大量语料进行分析,按顺序预测下一个特定字/词的概率。LLM 的主要功能是根据输入文本生成连贯且上下文恰当的回复,即生成与人类语言和写作的模式结构极为一致的文本。注意到,LLM 并不擅长真正理解或传递事实信息。故而其幻觉不可彻底消除。亚利桑那州立大学教授 Subbarao Kambhampati 认为:LLM 所生成的全都是幻觉,只是有时幻觉碰巧和你的现实一致而已。新加坡国立大学计算学院的 Ziwei Xu 和 Sanjay Jain 等也认为 LLM 的幻觉无法完全消除[1]。
虽然幻觉问题无法彻底消除,但依然可以进行优化和缓解,业内也有不少相关的探索。有研究[2]总结了 LLM 产生幻觉的三大来源:数据、训练和推理,并给出了对应的缓解策略。
2.1 数据引入的幻觉
“病从口入”,训练数据是 LLM 的粮食,数据缺陷是使其致幻的一大原因。数据缺陷既包括数据错误、缺失、片面、过期等,也包括由于领域数据不足所导致的模型所捕获的事实知识利用率较低等问题。以下是针对训练数据类幻觉的一些技术方案:
数据清洗
针对数据相关的幻觉,最直接的方法就是收集更多高质量的事实数据,并进行数据清理。训练数据量越大、质量越高,最终训练得到的 LLM 出现幻觉的可能性就可能越小[3]。但是,训练数据总有一定的覆盖范围和时间边界,不可避免地形成知识边界,单纯从训练数据角度解决幻觉问题,并不是一个高性价比的方案。
针对“知识边界”问题,有两种主流方案:一种是知识编辑,即直接编辑模型参数弥合知识鸿沟。另一种是检索增强生成(Retrieval-augmented Generation,简称 RAG),保持模型参数不变,引入第三方独立的知识库。
知识编辑
知识编辑有两种方法:1)编辑模型参数的方法可以细粒度地调整模型的效果,但难以实现知识间泛化能力,且不合理的模型编辑可能会导致模型产生有害或不适当的输出[4];2)外部干预的方法(不编辑模型参数)对大模型通用能力影响较小,但需要引入一个单独的模块,且需要额外的资源训练这个模块。
如何保持原始 LLM 能力不受影响的前提下,实现知识的有效更新,是 LLM 研究中的重要挑战[2]。鉴于知识编辑技术会给用户带来潜在风险,无论学术界还是业界都建议使用包含明确知识的方法,比如 RAG。
检索增强生成(RAG)
RAG 引入信息检索过程,通过第三方数据库中检索相关信息来增强 LLM 的生成过程,从而提高准确性和鲁棒性,降低幻觉。由于接入外部实时动态数据,RAG 在理论上没有知识边界的限制,且无需频繁进行 LLM 的训练,故已经成为 LLM 行业落地最佳实践方案。下图 1 为 RAG 的一个标准实现方案[11],用户的 Query 首先会经由信息检索模块处理并召回相关文档;随后 RAG 方法将 Prompt、用户 query 和召回文档一起输入 LLM,最终由 LLM 生成最终的答案。
图 1. RAG 架构图
![](https://static001.geekbang.org/infoq/f4/f4513101417012997a728b8474adda1b.png)
RAG 借助信息检索,引入第三方事实知识,大大缓解了单纯依靠 LLM 生成答案而产生的幻觉,但由 LLM 生成的最终输出仍然有较大概率产生幻觉。因此,缓解 LLM 本身的幻觉,对整个 RAG 意义重大。
2.2 模型训练引入的幻觉
LLM 的整个训练过程,都可能会引入幻觉。首先,LLM 通常是 transformer 结构的单向语言模型,通过自回归的方式建模目标,天然存在单向表示不足、注意力缺陷[6]、曝光偏差[7]等问题;其次,在文本对齐阶段,无论是监督微调(SFT)还是人类反馈的强化学习(RLHF),都有可能出现有标注数据超出 LLM 知识边界、或者与 LLM 内在知识不一致的问题;这一系列对齐问题很可能放大 LLM 本身的幻觉风险[8]。
对于训练过程引入的幻觉,可以通过优化模型结构、注意力机制、训练目标、改进偏好模型等一系列手段进行缓解。但这些技术都缺乏通用性,难以在现有的 LLM 上进行迁移,实用性不高。
2.3 推理过程引入的幻觉
推理过程引入的幻觉,一方面源自于解码策略的抽样随机性,它与幻觉风险的增加呈正相关,尤其是采样温度升高导致低频 token 被采样的概率提升,进一步加剧了幻觉风险[9]。另一方面,注意力缺陷如上下文注意力不足、Softmax 瓶颈导致的不完美解码都会引入幻觉风险。
层对比解码(DoLa)
针对推理过程解码策略存在的缺陷,一项具有代表性且较为有效的解决方案是层对比解码(Decoding by Contrasting Layers, 简称 DoLa)[9]。模型可解释性研究发现,在基于 Transformer 的语言模型中,下层 transformer 编码“低级”信息(词性、语法),而上层中包含更加“高级”的信息(事实知识)[10]。DoLa 主要通过强调较上层中的知识相对于下层中的知识的“进步”,减少语言模型的幻觉。具体地,DoLa 通过计算上层与下层之间的 logits 差,获得输出下一个词的概率。这种对比解码方法可放大 LLM 中的事实知识,从而减少幻觉。
图 2. DoLa 示意图
![](https://static001.geekbang.org/infoq/9c/9c1aca1fe352fa6231c74b0c0aa57521.png)
上图 2 是 DoLa 的一个简单直观的示例。“Seattle”在所有层上都保持着很高的概率,可能仅仅因为它是一个从语法角度上讲比较合理的答案。当上层通过层对比解码注入更多的事实知识后,正确答案“Olympia”的概率会增加。可见,层对比解码(DoLa)技术可以揭示真正的答案,更好地解码出 LLM 中的事实知识,而无需检索外部知识或进行额外微调。此外,DoLa 还有动态层选择策略,保证最上层和中间层的输出差别尽可能大。
可见,DoLa 的核心思想是淡化下层语言/语法知识,尽可能放大事实性知识,但这可能导致生成内容存在语法问题;在实验中还发现 DoLa 会倾向于生成重复的句子,尤其是长上下文推理场景。此外,DoLa 不适用有监督微调,限制了 LLM 的微调优化 。
3. 技术突破
通过以上分析,RAG 无疑是治疗 LLM 幻觉的一副妙方,它如同 LLM 的一个强大的外挂,让其在处理事实性问题时如虎添翼。但 RAG 的最终输出仍然由 LLM 生成,缓解 LLM 本身的幻觉也极为重要,而目前业内针对 LLM 本身幻觉的技术方案存在成本高、实用落地难、易引入潜在风险等问题。
鉴于此,京东零售联合清华大学进行相关探索,提出任务感知解码(Task-aware Decoding,简称 TaD)技术[12](成果收录于 IJCAI2024),可即插即用地应用到任何 LLM 上,通过对比有监督微调前后的输出,缓解 LLM 本身的幻觉。该方法通用性强,在多种不同 LLM 结构、微调方法、下游任务和数据集上均有效,具有广泛的适用场景。
任务感知解码(TaD)技术
关于 LLM 知识获取机制的一些研究表明,LLM 的输出并不能总是准确反映它们所拥有的知识,即使一个模型输出错误,它仍然可能拥有正确的知识[13]。此项工作主要探索 LLM 在保留预训练学到的公共知识的同时,如何更好地利用微调过程中习得的下游任务特定领域知识,进而提升其在具体任务中的效果,缓解 LLM 幻觉。
TaD 的基本原理如图 3 所示。微调前 LLM 和微调后 LLM 的输出词均为“engage”,但深入探究不难发现其相应的预测概率分布发生了明显的改变,这反映了 LLM 在微调期间试图将其固有知识尽可能地适应下游任务的特定领域知识。具体而言,经过微调,更加符合用户输入要求(“专业的”)的词“catalyze”的预测概率明显增加,而更通用的反映预训练过程习得的知识却不能更好满足下游任务用户需求的词“engage”的预测概率有所降低。TaD 巧妙利用微调后 LLM 与微调前 LLM 的输出概率分布的差异来构建知识向量,得到更贴切的输出词“catalyze”,进而增强 LLM 的输出质量,使其更符合下游任务偏好,改善幻觉。
图 3. TaD 原理图
![](https://static001.geekbang.org/infoq/2e/2ee65ca6fa8491731bd967b700a28ca2.png)
知识向量
为了直观理解 LLM 在微调阶段学习到的特定领域知识,我们引入知识向量的概念,具体如图 4 所示。微调前 LLM 的输出条件概率分布为 pθ,微调后 LLM 的输出条件概率分布为 pϕ。知识向量反应了微调前后 LLM 输出词的条件概率分布变化,也代表着 LLM 的能力从公共知识到下游特定领域知识的适应。基于 TaD 技术构建的知识向量可强化 LLM 微调过程中习得的领域特定知识,进一步改善 LLM 幻觉。
图 4. 知识向量
![](https://static001.geekbang.org/infoq/42/42d0c4f2537b747f5b32eda147251618.png)
特别地,当微调数据较少时,LLM 的输出条件概率分布远远达不到最终训练目标。在此情形下,TaD 技术增强后的知识向量可以加强知识对下游任务的适应,在训练数据稀缺场景下带来更显著的效果提升。
实验结果
1)针对不同的 LLM,采用 LoRA、AdapterP 等方式、在不同的任务上进行微调,实验结果如下表 1 和表 2 所示。注意到,TaD 技术均取得了明显的正向效果提升。
表 1. Multiple Choices 和 CBQA 任务结果
![](https://static001.geekbang.org/infoq/f1/f1ca42abc844c034358eed728d372989.png)
表 2. 更具挑战性的推理任务结果
![](https://static001.geekbang.org/infoq/d9/d9842ca63fd3607649d433bbcd516af5.png)
2)相比较其他对比解码技术,TaD 技术在绝大部分场景下效果占优,具体如表 3 所示。需要特别强调的一点是,其他技术可能会导致 LLM 效果下降,TaD 未表现上述风险。
表 3. 不同对比解码技术结果
![](https://static001.geekbang.org/infoq/d8/d850a3b8f62dec6ed3313d37b255d703.png)
3)针对不同比例的训练样本进行实验,发现一个非常有趣的结果:训练样本越少,TaD 技术带来的收益越大,具体如表 4 所示。因此,即使在有限的训练数据下,TaD 技术也可以将 LLM 引导到正确的方向。由此可见,TaD 技术能够在一定程度上突破训练数据有限情形下 LLM 的效果限制。
表 4. 不同数据比例下的结果
![](https://static001.geekbang.org/infoq/dc/dc3701f19db690bc6fe884debbd1158d.png)
可见,TaD 可以即插即用,适用于不同 LLM、不同微调方法、不同下游任务,突破了训练数据有限的瓶颈,是一项实用且易用的改善 LLM 自身幻觉的技术。
4. 落地案例
自从以 ChatGPT 为代表的 LLM 诞生之后,针对其应用的探索一直如火如荼,然而其幻觉已然成为限制落地的最大缺陷。综上分析,目前检索增强生成(RAG)+低幻觉的 LLM 是缓解 LLM 幻觉的最佳组合疗法。在京东通用知识问答系统的构建中,我们通过 TaD 技术实现低幻觉的 LLM,系统层面基于 RAG 注入自有事实性知识,具体方案如图 5 所示,最大程度缓解了 LLM 的生成幻觉 。
图 5. TaD+RAG 的知识问答系统
![](https://static001.geekbang.org/infoq/25/25c7f44d501908c67beb5708f03ed48d.png)
目前知识问答系统已经接入京东 6000+业务场景,为用户提供准确、高效、便捷的知识性问答,大大节省了运营、运维等人力开销。
5. 思考与展望
如果 LLM 依然按照语言模型的模式发展,那么其幻觉就无法彻底消除。目前业内还没有一种超脱语言模型范畴,且可以高效完成自然语言相关的任务新的模型结构。因此,缓解 LLM 的生成幻觉,仍然是未来一段时期的探索路径。以下是我们在系统、知识、LLM 三个层面的一些简单的思考,希望能够抛砖引玉。
系统层面——RAG+Agent+More 的复杂系统
RAG 技术确实在一些常见的自然语言处理任务中发挥出色的作用,尤其是针对简单问题和小型文档集。但是遇到一些复杂的问题和大型文档集时,RAG 技术就显得力不从心。近期有一些研究认为 RAG+Agent 才是未来的趋势[14],Agent 能够辅助理解并规划复杂的任务。我们认为可能未来的系统可能不仅仅局限于 Agent 和 RAG,可能还要需要多种多样的内外工具调用、长短期记忆模块、自我学习模块......
知识层面——与 LLM 深度融合的注入方式
任何一个深度模型都会存在知识边界的问题,LLM 也不例外。RAG 通过检索的方式召回外部知识,以 Prompt 的形式送入 LLM 进行最终的理解和生成,一定程度上缓解 LLM 知识边界问题。但是这种知识注入的方式和 LLM 生成的过程是相对割裂的。即便已经召回了正确的知识,LLM 也可能因为本身知识边界问题生成错误的回答。因此探索如何实现外部知识和 LLM 推理的深度融合,或许是未来的一个重要的课题。
LLM 层面——低幻觉 LLM
LLM 本身的幻觉是问题的根本和瓶颈,我们认为随着 LLM 更广泛的应用,类似 TaD 可缓解 LLM 本身幻觉的探索一定会成为业内的更大的研究热点。
6. 结语
缓解 LLM 幻觉一定是个复杂的系统问题,我们可以综合不同的技术方案、从多个层级协同去降低 LLM 的幻觉。虽然现有方案无法保证从根本上解决幻觉,但随着不断探索,我们坚信业内终将找到限制 LLM 幻觉的更有效的方案,也期待届时 LLM 相关应用的再次爆发式增长。
京东零售一直走在 AI 技术探索的前沿,随着公司在 AI 领域的不断投入和持续深耕,我们相信京东必将产出更多先进实用的技术成果,为行业乃至整个社会带来深远持久的影响。
【参考文献】
[1] Hallucination is Inevitable: An Innate Limitation of Large Language Models
[2] A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions
[3] Unveiling the Causes of LLM Hallucination and Overcoming LLM Hallucination
[4] Editing Large Language Models: Problems, Methods, and Opportunities
[5] ACL 2023 Tutorial: Retrieval-based Language Models and Applications
[6] Theoretical Limitations of Self-Attention in Neural Sequence Models
[7] Sequence level training with recurrent neural networks.
[8] Discovering language model behaviors with model-written evaluations
[9] Dola: Decoding by contrasting layers improves factuality in large language models
[10] Bert rediscovers the classical nlp pipeline
[11] Retrieval-Augmented Generation for Large Language Models: A Survey
[12] TaD: A Plug-and-Play Task-Aware Decoding Method toBetter Adapt LLM on Downstream Tasks
[13] Inference-time intervention: Eliciting truthful answers from a language model
[14] Beyond RAG: Building Advanced Context-Augmented LLM Applications
版权声明: 本文为 InfoQ 作者【京东科技开发者】的原创文章。
原文链接:【http://xie.infoq.cn/article/71d81be7babaec31bfda118dc】。文章转载请联系作者。
评论