TaD：任務(wù)感知解碼技術(shù)（Task-aware Decoding，簡稱TaD），京東聯(lián)合清華大學(xué)針對大語言模型幻覺問題提出的一項技術(shù)，成果收錄于IJCAI2024。

RAG：檢索增強生成技術(shù)（Retrieval-augmented Generation，簡稱RAG），是業(yè)內(nèi)解決LLM幻覺問題最有效的系統(tǒng)性方案。

1. 背景介紹

近來，以ChatGPT為代表的生成式大語言模型（Large Language Model，簡稱LLM）掀起了新一輪AI熱潮，并迅速席卷了整個社會的方方面面。得益于前所未有的模型規(guī)模、訓(xùn)練數(shù)據(jù)，以及引入人類反饋的訓(xùn)練新范式，LLM在一定程度上具備對人類意圖的理解和甄別能力，可實現(xiàn)生動逼真的類人對話互動，其回答的準確率、邏輯性、流暢度都已經(jīng)無限接近人類水平。此外，LLM還出現(xiàn)了神奇的“智能涌現(xiàn)”現(xiàn)象，其產(chǎn)生的強大的邏輯推理、智能規(guī)劃等能力，已逐步應(yīng)用到智能助理、輔助創(chuàng)作、科研啟發(fā)等領(lǐng)域。京東在諸多核心業(yè)務(wù)如AI搜索、智能客服、智能導(dǎo)購、創(chuàng)意聲稱、推薦/廣告、風(fēng)控等場景下，均對LLM的落地應(yīng)用進行了深入探索。這一舉措提升了業(yè)務(wù)效率，增強了用戶體驗。

盡管具備驚艷的類人對話能力，大語言模型的另外一面——不準確性，卻逐漸成為其大規(guī)模落地的制約和瓶頸。通俗地講，LLM生成不準確、誤導(dǎo)性或無意義的信息被稱為“幻覺”，也就是常說的“胡說八道”。當(dāng)然也有學(xué)者，比如OpenAI的CEO Sam Altman，將LLM產(chǎn)生的“幻覺”視為“非凡的創(chuàng)造力”。但是在大多數(shù)場景下，模型提供正確回答的能力至關(guān)重要，因此幻覺常常被認為是一種缺陷；尤其是在一些對輸出內(nèi)容準確性要求較高的場景下，比如醫(yī)療診斷、法律咨詢、工業(yè)制造、售后客服等，幻覺問題導(dǎo)致的后果往往是災(zāi)難性的。

本文主要探索針對LLM幻覺問題的解決方案。

2. 相關(guān)調(diào)研

眾所周知，大語言模型的本質(zhì)依然是語言模型（Language Model，簡稱LM），該模型可通過計算句子概率建模自然語言概率分布。具體而言，LM基于統(tǒng)計對大量語料進行分析，按順序預(yù)測下一個特定字/詞的概率。LLM的主要功能是根據(jù)輸入文本生成連貫且上下文恰當(dāng)?shù)幕貜?fù)，即生成與人類語言和寫作的模式結(jié)構(gòu)極為一致的文本。注意到，LLM并不擅長真正理解或傳遞事實信息。故而其幻覺不可徹底消除。亞利桑那州立大學(xué)教授Subbarao Kambhampati認為：LLM所生成的全都是幻覺，只是有時幻覺碰巧和你的現(xiàn)實一致而已。新加坡國立大學(xué)計算學(xué)院的Ziwei Xu和Sanjay Jain等也認為LLM的幻覺無法完全消除[1]。

雖然幻覺問題無法徹底消除，但依然可以進行優(yōu)化和緩解，業(yè)內(nèi)也有不少相關(guān)的探索。有研究[2]總結(jié)了LLM產(chǎn)生幻覺的三大來源：數(shù)據(jù)、訓(xùn)練和推理，并給出了對應(yīng)的緩解策略。

2.1 數(shù)據(jù)引入的幻覺

“病從口入”，訓(xùn)練數(shù)據(jù)是LLM的糧食，數(shù)據(jù)缺陷是使其致幻的一大原因。數(shù)據(jù)缺陷既包括數(shù)據(jù)錯誤、缺失、片面、過期等，也包括由于領(lǐng)域數(shù)據(jù)不足所導(dǎo)致的模型所捕獲的事實知識利用率較低等問題。以下是針對訓(xùn)練數(shù)據(jù)類幻覺的一些技術(shù)方案：

數(shù)據(jù)清洗

針對數(shù)據(jù)相關(guān)的幻覺，最直接的方法就是收集更多高質(zhì)量的事實數(shù)據(jù)，并進行數(shù)據(jù)清理。訓(xùn)練數(shù)據(jù)量越大、質(zhì)量越高，最終訓(xùn)練得到的LLM出現(xiàn)幻覺的可能性就可能越小[3]。但是，訓(xùn)練數(shù)據(jù)總有一定的覆蓋范圍和時間邊界，不可避免地形成知識邊界，單純從訓(xùn)練數(shù)據(jù)角度解決幻覺問題，并不是一個高性價比的方案。

針對“知識邊界”問題，有兩種主流方案：一種是知識編輯，即直接編輯模型參數(shù)彌合知識鴻溝。另一種是檢索增強生成（Retrieval-augmented Generation，簡稱RAG），保持模型參數(shù)不變，引入第三方獨立的知識庫。

知識編輯

知識編輯有兩種方法：1）編輯模型參數(shù)的方法可以細粒度地調(diào)整模型的效果，但難以實現(xiàn)知識間泛化能力，且不合理的模型編輯可能會導(dǎo)致模型產(chǎn)生有害或不適當(dāng)?shù)妮敵鯷4]；2）外部干預(yù)的方法（不編輯模型參數(shù)）對大模型通用能力影響較小，但需要引入一個單獨的模塊，且需要額外的資源訓(xùn)練這個模塊。

如何保持原始LLM能力不受影響的前提下，實現(xiàn)知識的有效更新，是LLM研究中的重要挑戰(zhàn)[2]。鑒于知識編輯技術(shù)會給用戶帶來潛在風(fēng)險，無論學(xué)術(shù)界還是業(yè)界都建議使用包含明確知識的方法，比如RAG。

檢索增強生成（RAG）

RAG引入信息檢索過程，通過第三方數(shù)據(jù)庫中檢索相關(guān)信息來增強LLM的生成過程，從而提高準確性和魯棒性，降低幻覺。由于接入外部實時動態(tài)數(shù)據(jù)，RAG在理論上沒有知識邊界的限制，且無需頻繁進行LLM的訓(xùn)練，故已經(jīng)成為LLM行業(yè)落地最佳實踐方案。下圖1為RAG的一個標準實現(xiàn)方案[11]，用戶的Query首先會經(jīng)由信息檢索模塊處理并召回相關(guān)文檔；隨后RAG方法將Prompt、用戶query和召回文檔一起輸入LLM，最終由LLM生成最終的答案。

圖1. RAG架構(gòu)圖

RAG借助信息檢索，引入第三方事實知識，大大緩解了單純依靠LLM生成答案而產(chǎn)生的幻覺，但由LLM生成的最終輸出仍然有較大概率產(chǎn)生幻覺。因此，緩解LLM本身的幻覺，對整個RAG意義重大。

2.2 模型訓(xùn)練引入的幻覺

LLM的整個訓(xùn)練過程，都可能會引入幻覺。首先，LLM通常是transformer結(jié)構(gòu)的單向語言模型，通過自回歸的方式建模目標，天然存在單向表示不足、注意力缺陷[6]、曝光偏差[7]等問題；其次，在文本對齊階段，無論是監(jiān)督微調(diào)（SFT）還是人類反饋的強化學(xué)習(xí)（RLHF），都有可能出現(xiàn)有標注數(shù)據(jù)超出LLM知識邊界、或者與LLM內(nèi)在知識不一致的問題；這一系列對齊問題很可能放大LLM本身的幻覺風(fēng)險[8]。

對于訓(xùn)練過程引入的幻覺，可以通過優(yōu)化模型結(jié)構(gòu)、注意力機制、訓(xùn)練目標、改進偏好模型等一系列手段進行緩解。但這些技術(shù)都缺乏通用性，難以在現(xiàn)有的LLM上進行遷移，實用性不高。

2.3 推理過程引入的幻覺

推理過程引入的幻覺，一方面源自于解碼策略的抽樣隨機性，它與幻覺風(fēng)險的增加呈正相關(guān)，尤其是采樣溫度升高導(dǎo)致低頻token被采樣的概率提升，進一步加劇了幻覺風(fēng)險[9]。另一方面，注意力缺陷如上下文注意力不足、Softmax瓶頸導(dǎo)致的不完美解碼都會引入幻覺風(fēng)險。

層對比解碼（DoLa）

針對推理過程解碼策略存在的缺陷，一項具有代表性且較為有效的解決方案是層對比解碼（Decoding by Contrasting Layers, 簡稱DoLa）[9]。模型可解釋性研究發(fā)現(xiàn)，在基于Transformer的語言模型中，下層transformer編碼“低級”信息（詞性、語法），而上層中包含更加“高級”的信息（事實知識）[10]。DoLa主要通過強調(diào)較上層中的知識相對于下層中的知識的“進步”，減少語言模型的幻覺。具體地，DoLa通過計算上層與下層之間的logits差，獲得輸出下一個詞的概率。這種對比解碼方法可放大LLM中的事實知識，從而減少幻覺。

圖2. DoLa示意圖

上圖2是DoLa的一個簡單直觀的示例?！癝eattle”在所有層上都保持著很高的概率，可能僅僅因為它是一個從語法角度上講比較合理的答案。當(dāng)上層通過層對比解碼注入更多的事實知識后，正確答案“Olympia”的概率會增加?？梢?，層對比解碼（DoLa）技術(shù)可以揭示真正的答案，更好地解碼出LLM中的事實知識，而無需檢索外部知識或進行額外微調(diào)。此外，DoLa還有動態(tài)層選擇策略，保證最上層和中間層的輸出差別盡可能大。

可見，DoLa的核心思想是淡化下層語言/語法知識，盡可能放大事實性知識，但這可能導(dǎo)致生成內(nèi)容存在語法問題；在實驗中還發(fā)現(xiàn)DoLa會傾向于生成重復(fù)的句子，尤其是長上下文推理場景。此外，DoLa不適用有監(jiān)督微調(diào)，限制了LLM的微調(diào)優(yōu)化。

3. 技術(shù)突破

通過以上分析，RAG無疑是治療LLM幻覺的一副妙方，它如同LLM的一個強大的外掛，讓其在處理事實性問題時如虎添翼。但RAG的最終輸出仍然由LLM生成，緩解LLM本身的幻覺也極為重要，而目前業(yè)內(nèi)針對LLM本身幻覺的技術(shù)方案存在成本高、實用落地難、易引入潛在風(fēng)險等問題。

鑒于此，京東零售聯(lián)合清華大學(xué)進行相關(guān)探索，提出任務(wù)感知解碼（Task-aware Decoding，簡稱TaD）技術(shù)[12]（成果收錄于IJCAI2024），可即插即用地應(yīng)用到任何LLM上，通過對比有監(jiān)督微調(diào)前后的輸出，緩解LLM本身的幻覺。該方法通用性強，在多種不同LLM結(jié)構(gòu)、微調(diào)方法、下游任務(wù)和數(shù)據(jù)集上均有效，具有廣泛的適用場景。

任務(wù)感知解碼（TaD）技術(shù)

關(guān)于LLM知識獲取機制的一些研究表明，LLM的輸出并不能總是準確反映它們所擁有的知識，即使一個模型輸出錯誤，它仍然可能擁有正確的知識[13]。此項工作主要探索LLM在保留預(yù)訓(xùn)練學(xué)到的公共知識的同時，如何更好地利用微調(diào)過程中習(xí)得的下游任務(wù)特定領(lǐng)域知識，進而提升其在具體任務(wù)中的效果，緩解LLM幻覺。

TaD的基本原理如圖3所示。微調(diào)前LLM和微調(diào)后LLM的輸出詞均為“engage”，但深入探究不難發(fā)現(xiàn)其相應(yīng)的預(yù)測概率分布發(fā)生了明顯的改變，這反映了LLM在微調(diào)期間試圖將其固有知識盡可能地適應(yīng)下游任務(wù)的特定領(lǐng)域知識。具體而言，經(jīng)過微調(diào)，更加符合用戶輸入要求（“專業(yè)的”）的詞“catalyze”的預(yù)測概率明顯增加，而更通用的反映預(yù)訓(xùn)練過程習(xí)得的知識卻不能更好滿足下游任務(wù)用戶需求的詞“engage”的預(yù)測概率有所降低。TaD巧妙利用微調(diào)后LLM與微調(diào)前LLM的輸出概率分布的差異來構(gòu)建知識向量，得到更貼切的輸出詞“catalyze”，進而增強LLM的輸出質(zhì)量，使其更符合下游任務(wù)偏好，改善幻覺。

圖3. TaD原理圖

知識向量

為了直觀理解LLM在微調(diào)階段學(xué)習(xí)到的特定領(lǐng)域知識，我們引入知識向量的概念，具體如圖4所示。微調(diào)前LLM的輸出條件概率分布為pθ，微調(diào)后LLM的輸出條件概率分布為 p?。知識向量反應(yīng)了微調(diào)前后LLM輸出詞的條件概率分布變化，也代表著LLM的能力從公共知識到下游特定領(lǐng)域知識的適應(yīng)?；赥aD技術(shù)構(gòu)建的知識向量可強化LLM微調(diào)過程中習(xí)得的領(lǐng)域特定知識，進一步改善LLM幻覺。

圖4. 知識向量

特別地，當(dāng)微調(diào)數(shù)據(jù)較少時，LLM的輸出條件概率分布遠遠達不到最終訓(xùn)練目標。在此情形下，TaD技術(shù)增強后的知識向量可以加強知識對下游任務(wù)的適應(yīng)，在訓(xùn)練數(shù)據(jù)稀缺場景下帶來更顯著的效果提升。

實驗結(jié)果

1）針對不同的LLM，采用LoRA、AdapterP等方式、在不同的任務(wù)上進行微調(diào)，實驗結(jié)果如下表1和表2所示。注意到，TaD技術(shù)均取得了明顯的正向效果提升。

表1. Multiple Choices和CBQA任務(wù)結(jié)果

表2. 更具挑戰(zhàn)性的推理任務(wù)結(jié)果

2）相比較其他對比解碼技術(shù)，TaD技術(shù)在絕大部分場景下效果占優(yōu)，具體如表3所示。需要特別強調(diào)的一點是，其他技術(shù)可能會導(dǎo)致LLM效果下降，TaD未表現(xiàn)上述風(fēng)險。

表3. 不同對比解碼技術(shù)結(jié)果

3）針對不同比例的訓(xùn)練樣本進行實驗，發(fā)現(xiàn)一個非常有趣的結(jié)果：訓(xùn)練樣本越少，TaD技術(shù)帶來的收益越大，具體如表4所示。因此，即使在有限的訓(xùn)練數(shù)據(jù)下，TaD技術(shù)也可以將LLM引導(dǎo)到正確的方向。由此可見，TaD技術(shù)能夠在一定程度上突破訓(xùn)練數(shù)據(jù)有限情形下LLM的效果限制。

表4. 不同數(shù)據(jù)比例下的結(jié)果

可見，TaD可以即插即用，適用于不同LLM、不同微調(diào)方法、不同下游任務(wù)，突破了訓(xùn)練數(shù)據(jù)有限的瓶頸，是一項實用且易用的改善LLM自身幻覺的技術(shù)。

4. 落地案例

自從以ChatGPT為代表的LLM誕生之后，針對其應(yīng)用的探索一直如火如荼，然而其幻覺已然成為限制落地的最大缺陷。綜上分析，目前檢索增強生成（RAG）+低幻覺的LLM是緩解LLM幻覺的最佳組合療法。在京東通用知識問答系統(tǒng)的構(gòu)建中，我們通過TaD技術(shù)實現(xiàn)低幻覺的LLM，系統(tǒng)層面基于RAG注入自有事實性知識，具體方案如圖5所示，最大程度緩解了LLM的生成幻覺 。

圖5. TaD+RAG的知識問答系統(tǒng)

目前知識問答系統(tǒng)已經(jīng)接入京東6000+業(yè)務(wù)場景，為用戶提供準確、高效、便捷的知識性問答，大大節(jié)省了運營、運維等人力開銷。

5. 思考與展望

如果LLM依然按照語言模型的模式發(fā)展，那么其幻覺就無法徹底消除。目前業(yè)內(nèi)還沒有一種超脫語言模型范疇，且可以高效完成自然語言相關(guān)的任務(wù)新的模型結(jié)構(gòu)。因此，緩解LLM的生成幻覺，仍然是未來一段時期的探索路徑。以下是我們在系統(tǒng)、知識、LLM三個層面的一些簡單的思考，希望能夠拋磚引玉。

系統(tǒng)層面——RAG+Agent+More的復(fù)雜系統(tǒng)

RAG技術(shù)確實在一些常見的自然語言處理任務(wù)中發(fā)揮出色的作用，尤其是針對簡單問題和小型文檔集。但是遇到一些復(fù)雜的問題和大型文檔集時，RAG技術(shù)就顯得力不從心。近期有一些研究認為RAG+Agent才是未來的趨勢[14]，Agent能夠輔助理解并規(guī)劃復(fù)雜的任務(wù)。我們認為可能未來的系統(tǒng)可能不僅僅局限于Agent和RAG，可能還要需要多種多樣的內(nèi)外工具調(diào)用、長短期記憶模塊、自我學(xué)習(xí)模塊......

知識層面——與LLM深度融合的注入方式

任何一個深度模型都會存在知識邊界的問題，LLM也不例外。RAG通過檢索的方式召回外部知識，以Prompt的形式送入LLM進行最終的理解和生成，一定程度上緩解LLM知識邊界問題。但是這種知識注入的方式和LLM生成的過程是相對割裂的。即便已經(jīng)召回了正確的知識，LLM也可能因為本身知識邊界問題生成錯誤的回答。因此探索如何實現(xiàn)外部知識和LLM推理的深度融合，或許是未來的一個重要的課題。

LLM層面——低幻覺LLM

LLM本身的幻覺是問題的根本和瓶頸，我們認為隨著LLM更廣泛的應(yīng)用，類似TaD可緩解LLM本身幻覺的探索一定會成為業(yè)內(nèi)的更大的研究熱點。

6. 結(jié)語

緩解LLM幻覺一定是個復(fù)雜的系統(tǒng)問題，我們可以綜合不同的技術(shù)方案、從多個層級協(xié)同去降低LLM的幻覺。雖然現(xiàn)有方案無法保證從根本上解決幻覺，但隨著不斷探索，我們堅信業(yè)內(nèi)終將找到限制LLM幻覺的更有效的方案，也期待屆時LLM相關(guān)應(yīng)用的再次爆發(fā)式增長。

京東零售一直走在AI技術(shù)探索的前沿，隨著公司在AI領(lǐng)域的不斷投入和持續(xù)深耕，我們相信京東必將產(chǎn)出更多先進實用的技術(shù)成果，為行業(yè)乃至整個社會帶來深遠持久的影響。

【參考文獻】

[1] Hallucination is Inevitable: An Innate Limitation of Large Language Models

[2] A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions

[3] Unveiling the Causes of LLM Hallucination and Overcoming LLM Hallucination

[4] Editing Large Language Models: Problems, Methods, and Opportunities

[5] ACL 2023 Tutorial: Retrieval-based Language Models and Applications

[6] Theoretical Limitations of Self-Attention in Neural Sequence Models

[7] Sequence level training with recurrent neural networks.

[8] Discovering language model behaviors with model-written evaluations

[9] Dola: Decoding by contrasting layers improves factuality in large language models

[10] Bert rediscovers the classical nlp pipeline

[11] Retrieval-Augmented Generation for Large Language Models: A Survey

[12] TaD: A Plug-and-Play Task-Aware Decoding Method toBetter Adapt LLM on Downstream Tasks

[13] Inference-time intervention: Eliciting truthful answers from a language model

[14] Beyond RAG: Building Advanced Context-Augmented LLM Applications

審核編輯 黃宇