Coherencia interna y autorretroalimentación en modelos de lenguaje grandes: Un estudio

Internal Consistency and Self-Feedback in Large Language Models: A Survey

July 19, 2024

Autores: Xun Liang, Shichao Song, Zifan Zheng, Hanyu Wang, Qingchen Yu, Xunkai Li, Rong-Hua Li, Feiyu Xiong, Zhiyu Li

cs.AI

Resumen

Se espera que los modelos de lenguaje grandes (LLMs, por sus siglas en inglés) respondan con precisión, pero a menudo muestran razonamientos deficientes o generan contenido alucinatorio. Para abordar esto, se han iniciado estudios con el prefijo "Auto-" como Auto-Coherencia, Auto-Mejora y Auto-Refinamiento. Comparten una característica común: implicar a los LLMs en evaluarse y actualizarse para mitigar los problemas. Sin embargo, estos esfuerzos carecen de una perspectiva unificada sobre la sumarización, ya que las encuestas existentes se centran predominantemente en la categorización sin examinar las motivaciones detrás de estos trabajos. En este documento, resumimos un marco teórico, denominado Coherencia Interna, que ofrece explicaciones unificadas para fenómenos como la falta de razonamiento y la presencia de alucinaciones. La Coherencia Interna evalúa la coherencia entre las capas latentes, de decodificación y de respuesta de los LLMs basándose en metodologías de muestreo. Ampliando el marco de Coherencia Interna, presentamos un marco teórico simplificado pero efectivo capaz de explorar la Coherencia Interna, denominado Retroalimentación Automática. El marco de Retroalimentación Automática consta de dos módulos: Autoevaluación y Autocorrección. Este marco ha sido utilizado en numerosos estudios. Clasificamos sistemáticamente estos estudios por tareas y líneas de trabajo; resumimos métodos de evaluación relevantes y puntos de referencia; y profundizamos en la pregunta, "¿Realmente Funciona la Retroalimentación Automática?" Proponemos varios puntos de vista críticos, incluyendo la hipótesis de la "Evolución en Forma de Reloj de Arena de la Coherencia Interna", la hipótesis "La Coherencia es (Casi) la Corrección" y "La Paradoja del Razonamiento Latente y Explícito". Además, esbozamos direcciones prometedoras para futuras investigaciones. Hemos compartido de forma abierta el código experimental, la lista de referencias y los datos estadísticos, disponibles en https://github.com/IAAR-Shanghai/ICSFSurvey.

English

Large language models (LLMs) are expected to respond accurately but often exhibit deficient reasoning or generate hallucinatory content. To address these, studies prefixed with ``Self-'' such as Self-Consistency, Self-Improve, and Self-Refine have been initiated. They share a commonality: involving LLMs evaluating and updating itself to mitigate the issues. Nonetheless, these efforts lack a unified perspective on summarization, as existing surveys predominantly focus on categorization without examining the motivations behind these works. In this paper, we summarize a theoretical framework, termed Internal Consistency, which offers unified explanations for phenomena such as the lack of reasoning and the presence of hallucinations. Internal Consistency assesses the coherence among LLMs' latent layer, decoding layer, and response layer based on sampling methodologies. Expanding upon the Internal Consistency framework, we introduce a streamlined yet effective theoretical framework capable of mining Internal Consistency, named Self-Feedback. The Self-Feedback framework consists of two modules: Self-Evaluation and Self-Update. This framework has been employed in numerous studies. We systematically classify these studies by tasks and lines of work; summarize relevant evaluation methods and benchmarks; and delve into the concern, ``Does Self-Feedback Really Work?'' We propose several critical viewpoints, including the ``Hourglass Evolution of Internal Consistency'', ``Consistency Is (Almost) Correctness'' hypothesis, and ``The Paradox of Latent and Explicit Reasoning''. Furthermore, we outline promising directions for future research. We have open-sourced the experimental code, reference list, and statistical data, available at https://github.com/IAAR-Shanghai/ICSFSurvey.