與梯度下降等經典優化算法銜接更為緊密自然

原標題：NeurIPS 2024｜杜克大學&谷歌提出SLED解碼框架，無需外部數據與額外訓練，有效緩解大語言模型幻覺，提高事實準確性
文章來源：機器之心
內容字數：4361字

自驅動 Logits 進化解碼（SLED）提升大語言模型的事實準確性

近年來，大語言模型（LLM）在多種任務中展現了卓越的性能，但幻覺（hallucination）現象導致其生成內容的準確性受到限制。為了解決這一問題，杜克大學與 Google Research 的研究團隊提出了一種新的解碼框架——自驅動 Logits 進化解碼（SLED），旨在提升 LLM 的事實準確性。該方法不依賴外部知識庫或額外微調，為模型的實際應用提供了更高的可靠性。

研究背景與思路

研究者指出，雖然用戶可能無法得到 LLM 的正確答案，但模型內部存儲的“潛在知識”可能包含正確的信息。該研究的重點在于如何挖掘這些潛在知識，并利用其增強模型輸出的準確性。SLED 方法通過對比 LLM 不同層的輸出，挖掘潛在知識，并通過一種“梯度下降”方式將其整合到原始輸出中，從而有效提升事實準確性。

方法設計

SLED 方法通過優化損失函數 L 來提高輸出中正確 token 的概率，實現 Logits 進化。研究者還發現，LLM 的訓練實際上是一個由外部驅動的 Logits 進化過程，最后一層的輸出通常更接近真實世界的分布。基于此，研究者通過反向估計潛在知識，最終實現更接近事實分布的輸出。

實驗驗證

研究團隊將 SLED 與當前最先進的方法 DoLa 進行了比較，涵蓋多種 LLM 家族和不同規模的模型。實驗結果顯示，SLED 在多項任務中均顯著提升了事實準確性，并且與其他解碼方式兼容良好。更重要的是，SLED 在計算上幾乎沒有額外開銷，且有效抑制了重復性問題，優化了輸出質量。

未來展望

SLED 為后續推理時算法提供了新的框架，結合經典優化算法提高了效率。未來的研究方向可以探索將 SLED 與監督式微調結合，以適應特定領域的需求。此外，改進框架設計也是后續研究的重點。

通過引入 SLED 方法，本研究成功提升了 LLM 在多種任務中的事實準確性，為模型的實際應用提供了更可靠的支持。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺