应对LLM应用中的AI幻觉，如何通过Token对数概率预测LLM的可靠性

应对LLM应用中的AI幻觉
如何通过Token对数概率预测LLM的可靠性

内容：

• 相关机器学习（ML）概念回顾（精准度/召回率，LLM直觉）
  
• 使用序列对数概率度量作为LLM信心
  
• 通过案例研究结果过滤低质量LLM输出
  

引言
使用LLM还是不使用LLM？
像ChatGPT、Claude、LLaMA这样的大型语言模型（LLMs）非常强大，但仍然是一项新兴技术，可能带来独特的风险。有时LLM似乎完全知道发生了什么，并能轻松回答复杂的问题。但在其他时候，它们输出无关的信息，甚至“幻觉”出虚假的信息（编造信息）。

ChatGPT幻觉了法律案件，随后被一家律师事务所引用。[卫报]
为什么选择LLM？
许多公司正在探索使用LLM和机器学习来改善客户体验。一种常见的应用场景是处理客户支持问题。例如，一家公司可能每天收到成千上万的支持问题，其中一些可以通过适当的内部文档进行回答（例如，“如何添加承包商？”、“如何将员工状态更改为兼职？”）。在这种情况下，基于LLM的问答服务可以帮助客户通过自然语言查询快速找到相关信息。
在这种应用中，至关重要的是要保持高度的信心，确保LLM理解请求并能准确回答。我们来看看使用LLM信心度量的一个潜在方法。
机器学习回顾
精准度-召回率曲线
在传统的机器学习（ML）建模方法中，我们通常有方法通过控制模型的信心来防止低质量输出。
通常，机器学习模型的低信心水平输出会包含更多错误。
我们的目标是平衡权衡：最大化展示给用户的“好预测”数量（高召回率），并最小化展示给用户的“坏预测”数量（高精准度）。
我们选择一个平衡我们需求的信心水平阈值。
ROC曲线和精准度-召回率曲线（PR曲线）是常用的衡量这种权衡的方法。

PR曲线示例，每个点是模型在不同信心水平阈值下的表现 [来源]
然而，LLM输出是自由格式文本，而不像传统机器学习系统中那样有明确的类别标签和信心。因此，这些技术似乎不适用于依赖LLM的机器学习系统。但在我们放弃之前（剧透：我们可以非常接近我们需要的东西），让我们回顾一下LLM实际上是如何工作的。
回顾：GPT直觉
生成预训练变换器（GPT）是LLM的常见架构。
GPT模型使用有限的词汇（tokens）——T
在生成序列的每个token位置上，GPT计算一个在词汇T上的可能性概率分布——P(T_i | context)。你可以把它想象成一个n-gram模型，其中token的概率是通过一个大型神经网络（GPT-4有1.76万亿个参数）来估算的。
GPT的“知识”实际上存储为每个token在当前上下文下的条件概率（见图1）。

图1 [来源] GPT/LLM计算最可能跟随当前上下文“the boy went to the ____”的单词的概率分布。根据它对世界的理解，LLM预测，如果没有其他信息，典型的男孩最可能去操场或学校，而不是医院。
我们能从这些t
oken对数概率中学到什么吗？
在LLM中找到信心
LLM信心得分
通过查看机器翻译文献，我们找到了检测幻觉的线索，在这些文献中常用变换器类型的机器学习模型。
“我们假设当发生幻觉时，模型的信心不高。”[1] 这一点可以通过token对数概率来捕捉。
Seq-Logprob（即“LLM信心”）——序列生成的对数概率的平均值。如果GPT生成了序列“the boy went to the playground”，并且这些top-token对数概率为（[-0.25, -0.1, -0.15, -0.3, -0.2, -0.05]），我们可以计算GPT的信心为：
llm_confidence = np.mean([-0.25, -0.1, -0.15, -0.3, -0.2, -0.05]) # -0.175

对于长度为L的LLM输出，计算每个位置的top-likelihood token的平均概率P(y_k|…)
为什么这么好：
它的质量好。“Seq-Logprob是最佳启发式方法，与基于参考的COMET相当。模型的信心越低，它生成不合适翻译的可能性越大。”[1]
它是免费的。“Seq-Logprob分数是生成响应时的副产品，容易获取。”[1]
LLM设计模式
在实现LLM服务时，我们可以：
收集Seq-LogProb（信心）分数来了解期望输出信心分布。对数概率分数可以通过OpenAI API获取。[3]
监控LLM输出中信心分布底部的内容。
使用这个决策边界*你可以自动：
a) 拒绝低质量的响应
b) 对低信心响应引入专家介入验证
c) 尝试收集更多信息使LLM更有信心
*LLM信心分布对提示变化敏感。因此，要相应地调整边界。

图2：1000次生成样本中LLM信心的平均分布。一个漂亮的正态分布。
在我的测试过程中，我发现低信心的响应通常含糊不清或过于宽泛（见图3左），更可能编造东西，也更不可能遵循提示指南，例如包括来源（见图3右）或参与对话。高信心的响应通常在指令上非常精准，能够完全理解问题和解决方案。利用这些知识，可以过滤掉低信心的响应，避免它们出现在客户面前。
用户问题的示例响应（左）
信心与LLM响应是否包含来源链接（二元）。

图3：用户问题的示例响应（左）。信心与LLM响应是否包含来源链接（二元）。
示例案例研究：FAQ服务
使用LLM信心过滤LLM错误
为了实践这种方法，我进行了一项小实验。我将1000个支持问题样本通过我们的问答LLM服务，并记录LLM的信心分数。
然后，我请我们的客户支持专家将LLM生成的输出标记为“优质”或“劣质”。这给我提供了一个二元标签，可以与LLM生成输出的信心分数对齐。
这个案例研究显示，最有信心和最没有信心的LLM响应之间的相对差异为69%。（见图4）

图4：相等大小的区间及其平均准确率与LogProbs信心的关系，带有标准误差条。最高信心区间准确率为76%，最低信心区间准确率为45%
通过控制LLM系统的灵敏度，我们现在更接近传统的机器学习系统，使我们能够控制所需的成功率。
LLM精准度-召回率曲线
利用我们的二元成功标签和LLM信心作为灵敏度，我们甚至可以为我们的LLM系统可视化一个实际的PR曲线！

图5：FAQ服务案例研究的LLM精准度-召回率曲线
我们可以将其视为“幕后操作”。即使我们不总是看到它，这在LLM“推理”中大多数生成过程中都在发生。
这将使我们能够有效地限制低质量响应出现在客户面前。
结论：更可靠的LLM系统
LLM信心得分在捕捉幻觉和区分低质量与高质量LLM输出方面极其有效。
我们可以在LLM系统中以自动化的方式实现更好的用户体验模式（例如专家验证）。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！