大模型知识积累—

大模型知识积累——幻觉

什么是大模型幻觉

在大语言模型的文本生成场景下，幻觉是指一本正经的胡说八道。逻辑连贯的自然表述中，有理论或者事实错误，捏造事实等问题。

幻觉问题的危害

LLM幻觉可能产生传播错误知识的后果。对于医疗应用中结果安全和可信AI尤为重要，幻觉影响了模型的可靠性和可信度。

幻觉一定有害吗

幻觉不在需要创造力的场景是有益处的，比如写电影剧本，图片创作，幻觉可以提升创作想象力，对于幻觉的容忍度取决于应用场景

为什么LLM会产生幻觉？

源和目标的差异：当我们在存在源与目标差异的数据集上训练模型时，模型产生的文本可能与原始的内容产生偏差。这种差异，有时可能是在数据收集过程中不经意产生的，也有可能是故意的，比如攻击。
无意识的源-目标差异：这种差异的原因可能有多种。例如数据可能事基于某种经验法则编制的，是的慕白哦信息并不总是完全依赖信息。e.g :如果两个不同网站获得新闻时间作为目标和源，目标报道中可能包含源报道中没有的信息，从而导致二者的不同。
有意识的源-目标差异：某些任务在本质上并不追求源和目标的严格一直，尤其事在需要多样性输出的情景下。这种人为的设置更容易导致模型幻觉
训练数据重复：训练使用的数据如果存在大量重复，可能导致模型在生成时过于偏好某些高频词，权重增加，也可能导致偏好性幻觉
数据噪声的影响：使用有噪声或者脏数据进行训练，这是导致幻觉的关键因素之一。
解码过程中的随机性：增加输出多样性和生成能力扩展的解码策略，如top-k采样，top-p方法以及温度调节，有时会增加幻觉产生。着往往事因为模型在选择输出词时引入了随机性，没有始终选择最可能的词汇。
模型的参数知识偏向：模型在处理信息时，可能更依赖其在pretrain阶段所积累的知识，忽视了实时提供的上下文信息（prompt），从而偏离了正确的输出路径。
训练与实际应用中的解码差异：在一般训练场景下，模型会基于真实数据预测下一个词汇。但实际应用中。模型会根据先前生成内容进行后文预测。处理长文本的场景下更容易出现幻觉