机器之心报道

编辑：大盘鸡

排行榜一出，高下立见。

人工智能发展进步神速，但问题频出。OpenAI 新出的 GPT 视觉 API 前脚让人感叹效果极好，后脚又因幻觉问题令人不禁吐槽。

幻觉一直是大模型的致命缺陷。由于数据集庞杂，其中难免会有过时、错误的信息，导致输出质量面临着严峻的考验。过多重复的信息还会使大模型形成偏见，这也是幻觉的一种。但是幻觉并非无解命题。开发过程中对数据集慎重使用、严格过滤，构建高质量数据集，以及优化模型结构、训练方式都能在一定程度上缓解幻觉问题。

流行的大模型有那么多，它们对于幻觉的缓解效果如何？这里有个排行榜明确地对比了它们的差距。

该排行榜由专注于 AI 的 Vectara 平台发布。排行榜更新于 2023 年 11 月 1 日，Vectara 表示后续会随着模型的更新继续跟进幻觉评估。

项目地址：https://github.com/vectara/hallucination-leaderboard

为了确定这个排行榜，Vectara 使用各种开源数据集对摘要模型进行了事实一致性研究，并训练了一个模型来检测 LLM 输出中的幻觉。他们使用了一个媲美 SOTA 模型，然后通过公共 API 向上述每个 LLM 输送了 1000 篇简短文档，并要求它们仅使用文档中呈现的事实对每篇文档进行总结。在这 1000 篇文档中，只有 831 篇文档被每个模型总结，其余文档由于内容限制被至少一个模型拒绝回答。利用这 831 份文件，Vectara 计算了每个模型的总体准确率和幻觉率。每个模型拒绝响应 prompt 的比率详见 「Answer Rate」一栏。发送给模型的内容都不包含非法或 不安全内容，但其中的触发词足以触发某些内容过滤器。这些文件主要来自 CNN / 每日邮报语料库。

需要注意的是，Vectara 评估的是摘要准确性，而不是整体事实准确性。这样可以比较模型对所提供信息的响应。换句话说，评估的是输出摘要是否与源文件「事实一致」。由于不知道每个 LLM 是在什么数据上训练的，因此对于任何特别问题来说，确定幻觉都是不可能的。此外，要建立一个能够在没有参考源的情况下确定回答是否是幻觉的模型，就需要解决幻觉问题，而且需要训练一个与被评估的 LLM 一样大或更大的模型。因此，Vectara 选择在总结任务中查看幻觉率，因为这样的类比可以很好地确定模型整体真实性。

检测幻觉模型地址：https://huggingface.co/vectara/hallucination_evaluation_model

此外，LLM 越来越多地用于 RAG（Retrieval Augmented Generation，检索增强生成）管道来回答用户的查询，例如 Bing Chat 和谷歌聊天集成。在 RAG 系统中，模型被部署为搜索结果的汇总器，因此该排行榜也是衡量模型在 RAG 系统中使用时准确性的良好指标。

由于 GPT-4 一贯的优秀表现，它的幻觉率最低似乎是意料之中的。但是有网友表示，GPT-3.5 与 GPT-4 并没有非常大的差距是令他较为惊讶的。

LLaMA 2 紧追 GPT-4 与 GPT-3.5 之后，有着较好的表现。但谷歌大模型的表现实在不尽人意。有网友表示，谷歌 BARD 常用「我还在训练中」来搪塞它的错误答案。

有了这样的排行榜，能够让我们对于不同模型之间的优劣有更加直观的判断。前几天，OpenAI 推出了 GPT-4 Turbo，这不，立刻有网友提议将其也更新在排行榜中。

下次的排行榜会是怎样的，有没有大幅变动，我们拭目以待。

参考链接：

https://twitter.com/bindureddy/status/1724152343732859392

https://twitter.com/vectara/status/1721943596692070486