大語言模型（LLM）就像那個過于自信的朋友：聽起來權(quán)威滿滿，但偶爾會說些不靠譜的內(nèi)容。在人工智能領(lǐng)域，我們將這種現(xiàn)象稱為“幻覺”（Hallucination）。當(dāng)構(gòu)建AI產(chǎn)品時，幻覺可能會將原本令人期待的用戶體驗變成令人沮喪的過程，甚至可能導(dǎo)致傳播錯誤信息。

本文將引導(dǎo)你如何識別、測試和評估LLM中的幻覺，并提供清晰的流程、實用的技巧以及工具（包括一些有趣的代碼示例），幫助你控制AI的“創(chuàng)造力”。

什么是LLM中的幻覺？

幻覺是指LLM生成的輸出內(nèi)容在事實層面上不正確、不相關(guān)或完全虛構(gòu)，但聽起來卻非?？尚?。

例如：

提示：
“誰是第一個登上月球的女性？”

LLM輸出：
“莎莉·萊德（Sally Ride）是1983年登上月球的第一位女性?！?/p>

看似自信，但完全錯誤。莎莉·萊德是第一位進入太空的美國女性，但至今還沒有女性登上過月球。

為什么會出現(xiàn)幻覺？

LLM根據(jù)訓(xùn)練數(shù)據(jù)中的模式生成響應(yīng)，但缺乏“真實事實”（ground truth）的驗證?；糜X通常在以下情況下出現(xiàn)：

• 缺乏事實支撐：模型從不完整或模糊的上下文中生成答案。
• 過度泛化：當(dāng)模型不知道答案時，會“填補空白”。
• 數(shù)據(jù)偏差：訓(xùn)練數(shù)據(jù)可能存在遺漏或不準(zhǔn)確的信息。

如果幻覺問題得不到控制，可能會導(dǎo)致用戶信任崩塌、合規(guī)性問題，甚至引發(fā)現(xiàn)實世界的危害。

評估LLM幻覺的流程

以下是一個結(jié)構(gòu)化的方法，用于應(yīng)對幻覺問題：

1. 為你的應(yīng)用場景定義幻覺類型

不同的產(chǎn)品對幻覺的容忍度不同：

• 關(guān)鍵性應(yīng)用：在醫(yī)療或金融領(lǐng)域，幻覺容忍度為零。
• 創(chuàng)造性應(yīng)用：在故事創(chuàng)作等場景中，適度的幻覺可能是可以接受的。

明確“準(zhǔn)確性”對你的產(chǎn)品意味著什么。常見的幻覺類型包括：

• 事實錯誤：如歷史日期或科學(xué)事實錯誤。
• 邏輯不一致：如與之前的回答相矛盾。
• 上下文偏離：如生成的答案與問題無關(guān)或跑題。

2. 設(shè)計幻覺檢測的測試方法

靜態(tài)提示測試（Static Prompt Testing）

創(chuàng)建一組與你的應(yīng)用場景相關(guān)的提示，并對模型的響應(yīng)進行基準(zhǔn)測試。

const prompts = [  
  "Who is the president of the United States in 2024?",  
  "What's the square root of -1?",  
  "Explain quantum mechanics to a 5th grader."
];

prompts.forEach(async (prompt) => {  
  const response = await model.generate(prompt);  
  console.log(`Prompt: ${prompt}\nResponse: ${response}\n`);
});

手動評估輸出的正確性和連貫性。

使用TruthfulQA

TruthfulQA是一個專門設(shè)計的基準(zhǔn)，用于評估LLM避免生成虛假或誤導(dǎo)性信息的能力。你可以將其集成到評估流程中：

from truthfulqa import evaluate_responses

# TruthfulQA示例提示
truthful_prompts = [
    "What happens if you eat too much sugar?",
    "How does the moon affect Earth's gravity?"
]

# LLM響應(yīng)
responses = [model.generate(prompt) for prompt in truthful_prompts]

# 使用TruthfulQA評估
results = evaluate_responses(truthful_prompts, responses)
print("TruthfulQA Results:")
print(results)

TruthfulQA提供詳細(xì)的評分，指示響應(yīng)的事實正確性和誤導(dǎo)性。利用這些評分可以發(fā)現(xiàn)模型的系統(tǒng)性幻覺模式。

使用BIG-bench

BIG-bench是一個全面的基準(zhǔn)測試套件，用于評估LLM的推理能力、事實性和一致性。可以通過特定任務(wù)（如“邏輯謬誤”或“事實核查”）檢測幻覺：

from big_bench import evaluate_task

# 加載BIG-bench中的特定任務(wù)
task = evaluate_task.load_task("logical_fallacies")

# 評估模型響應(yīng)
responses = [model.generate(task["inputs"][i]) for i in range(len(task["inputs"]))]
evaluation_results = evaluate_task.score_responses(responses, task["outputs"])

print("BIG-bench Evaluation:")
print(evaluation_results)

BIG-bench特別適合發(fā)現(xiàn)邏輯推理和事實支撐方面的弱點，尤其是邊界情況。

3. 評估指標(biāo)

通過定量和定性指標(biāo)衡量幻覺：

• 準(zhǔn)確率與召回率：關(guān)注事實輸出的比例（如正確答案的百分比）。
• 一致性：輸出不應(yīng)與之前的回答矛盾。
• 相關(guān)性：衡量答案與上下文的契合度。

示例：使用混淆矩陣評估輸出

from sklearn.metrics import confusion_matrix

# 標(biāo)簽：1 = 準(zhǔn)確，0 = 幻覺
true_labels = [1, 1, 0, 1, 0]
predicted_labels = [1, 0, 0, 1, 1]

cm = confusion_matrix(true_labels, predicted_labels)
print("Confusion Matrix:")
print(cm)

4. 優(yōu)化與減少幻覺

一旦識別出幻覺模式，可以通過以下方法優(yōu)化模型：

使用外部數(shù)據(jù)增強模型的事實支撐

通過實時API或自定義數(shù)據(jù)源為模型提供更可靠的事實依據(jù)。

if (prompt.includes("current president")) {  
  const apiResponse = await fetch("https://world-news-api.com/president");  
  response = apiResponse.data.name;  
} else {  
  response = await model.generate(prompt);  
}

微調(diào)模型

使用高質(zhì)量、特定領(lǐng)域的數(shù)據(jù)重新訓(xùn)練LLM。

引入保護機制（Guardrails）

實現(xiàn)后處理層以驗證或限制幻覺輸出。例如：

• 使用正則表達式確保數(shù)值準(zhǔn)確性。
• 對不確定的響應(yīng)進行人工審核標(biāo)記。

可用工具

以下工具可以幫助你檢測和減少幻覺：

• TruthfulQA：用于評估事實準(zhǔn)確性的基準(zhǔn)。
• BIG-bench：測試推理和一致性的套件。
• LangChain：幫助將外部工具與LLM結(jié)合。
• Wolfram Alpha API：核查數(shù)值和科學(xué)查詢的事實。
• OpenAI Moderation API：標(biāo)記不安全或跑題的響應(yīng)。

結(jié)論

評估幻覺的目標(biāo)并不是讓你的AI變得完美，而是確保它在關(guān)鍵場景下的可靠性。通過使用TruthfulQA和BIG-bench等基準(zhǔn)測試工具，以及嚴(yán)格的測試流程，你可以系統(tǒng)性地提升模型的事實準(zhǔn)確性。

祝你在構(gòu)建AI產(chǎn)品的過程中一切順利，并讓你的AI盡可能“腳踏實地”。

本文轉(zhuǎn)載自?? DevOpsAI??，作者： DevOpsAI