HalluQA: 评估中文大语言模型的幻觉现象

RayRay
HalluQA大型语言模型中文幻觉评估基准问答任务Github开源项目

HalluQA:为中文大语言模型构建幻觉评估基准

在人工智能快速发展的今天,大语言模型(LLM)的能力令人惊叹,但同时也面临着诸多挑战。其中一个重要问题就是模型的"幻觉"现象,即模型生成的内容与事实不符或完全虚构。为了系统性地评估和改进中文大语言模型在这一方面的表现,研究人员开发了HalluQA(Chinese Hallucination Question-Answering)基准数据集。

HalluQA的设计与构建

HalluQA包含450个精心设计的对抗性问题,这些问题涵盖了多个领域,并特别考虑了中国的历史文化、风俗习惯和社会现象。数据集的构建过程经过了多个严谨的步骤:

  1. 问题设计:研究人员首先设计了一系列可能引发模型幻觉的问题。
  2. 答案生成:利用ChatGPT3.5、Puyu和GLM-130B等模型生成答案,并收集对抗性样本。
  3. 答案标注:为每个对抗性问题编写多个正确和错误的答案,并添加支持证据。
  4. 质量控制:对所有问答对进行检查,删除低质量样本。

HalluQA数据收集流程

这种多步骤的设计确保了HalluQA数据集的高质量和多样性,能够全面评估模型在各种情况下的表现。

评估方法与指标

HalluQA采用"非幻觉率"作为主要评估指标,即模型生成的不包含幻觉的答案占总答案的百分比。为了实现自动化评估,研究人员创新性地使用GPT-4作为评估器,根据给定的标准和参考正确答案来判断模型生成的答案是否存在幻觉。

评估过程的具体步骤如下:

  1. 安装所需依赖
  2. 运行评估脚本,输入模型响应文件和OpenAI API密钥
  3. 结果将保存在results.json和non_hallucination_rate.txt文件中

此外,HalluQA还提供了多项选择任务版本,可以使用另一个专门的脚本来计算准确率。

实验结果与分析

研究人员对24个主流的中文大语言模型进行了广泛的实验,包括预训练模型、对话模型和检索增强对话模型。实验结果令人深思:

HalluQA评估结果

  1. 总体表现:在24个测试模型中,有18个模型的非幻觉率低于50%,说明HalluQA确实具有很高的挑战性。

  2. 模型类型差异:

    • 检索增强对话模型:表现最好,如ERNIE-Bot和Baichuan2-53B。
    • 对话模型:表现中等,如abab5.5-chat和GPT-4。
    • 预训练模型:表现相对较差,如Qwen-14B和Baichuan2-13B-base。
  3. 问题类型影响:

    • 误导性问题:大多数模型表现较好。
    • 困难误导性问题:模型表现普遍下降。
    • 知识型问题:检索增强模型明显优势,其他类型模型表现参差不齐。
  4. 有趣发现:

    • 中文模型在知识问题上优于ChatGPT-3.5和GPT-4,显示出在中文知识方面的优势。
    • GPT-4在非知识问题上表现出色,展现了其优秀的跨语言能力。
    • 检索增强并非总是有效,不同模型在整合搜索结果方面存在差异。

HalluQA的意义与未来展望

HalluQA的推出填补了中文大语言模型幻觉评估的空白,为模型开发者提供了宝贵的参考工具。通过这个基准,我们可以:

  1. 系统评估当前模型的幻觉问题,找出薄弱环节。
  2. 为模型优化提供明确方向,如改进知识整合、提升语义理解等。
  3. 促进中文AI社区对幻觉问题的重视和研究。

未来,HalluQA还可以进一步扩展:

  • 增加更多领域和问题类型,提高评估的全面性。
  • 开发更精细的评估方法,如区分不同程度的幻觉。
  • 探索模型幻觉的深层原因,为根本性解决方案提供洞见。

结语

HalluQA的开发和应用标志着中文大语言模型评估迈出了重要一步。它不仅揭示了当前模型的局限性,也为未来的改进指明了方向。随着研究的深入和技术的进步,我们有理由期待中文大语言模型在处理幻觉问题上能够取得突破性进展,为用户提供更可靠、更智能的语言服务。

HalluQA项目链接

相关论文链接

通过HalluQA的研究和应用,我们离构建更加可靠、智能的中文人工智能系统又近了一步。让我们共同期待人工智能的美好未来!🚀🤖💡

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多