Exactitude des faits dans les modèles de langage à grande échelle pour les textes longs

Long-form factuality in large language models

March 27, 2024

Auteurs: Jerry Wei, Chengrun Yang, Xinying Song, Yifeng Lu, Nathan Hu, Dustin Tran, Daiyi Peng, Ruibo Liu, Da Huang, Cosmo Du, Quoc V. Le

cs.AI

Résumé

Les grands modèles de langage (LLM) génèrent souvent du contenu contenant des erreurs factuelles lorsqu'ils répondent à des prompts cherchant des faits sur des sujets ouverts. Pour évaluer la factualité à long terme d'un modèle dans des domaines ouverts, nous utilisons d'abord GPT-4 pour générer LongFact, un ensemble de prompts comprenant des milliers de questions couvrant 38 sujets. Nous proposons ensuite que des agents LLM puissent être utilisés comme évaluateurs automatisés de la factualité à long terme grâce à une méthode que nous appelons Search-Augmented Factuality Evaluator (SAFE). SAFE utilise un LLM pour décomposer une réponse longue en un ensemble de faits individuels et pour évaluer l'exactitude de chaque fait à travers un processus de raisonnement en plusieurs étapes comprenant l'envoi de requêtes de recherche à Google Search et la détermination de si un fait est soutenu par les résultats de recherche. De plus, nous proposons d'étendre le score F1 comme métrique agrégée pour la factualité à long terme. Pour ce faire, nous équilibrons le pourcentage de faits soutenus dans une réponse (précision) avec le pourcentage de faits fournis par rapport à un hyperparamètre représentant la longueur de réponse préférée par l'utilisateur (rappel). Empiriquement, nous démontrons que les agents LLM peuvent atteindre des performances de notation surhumaines - sur un ensemble d'environ 16k faits individuels, SAFE est d'accord avec les annotateurs humains crowdsourcés 72% du temps, et sur un sous-ensemble aléatoire de 100 cas de désaccord, SAFE l'emporte 76% du temps. Parallèlement, SAFE est plus de 20 fois moins cher que les annotateurs humains. Nous évaluons également treize modèles de langage sur LongFact à travers quatre familles de modèles (Gemini, GPT, Claude et PaLM-2), constatant que les plus grands modèles de langage atteignent généralement une meilleure factualité à long terme. LongFact, SAFE et tout le code expérimental sont disponibles à l'adresse https://github.com/google-deepmind/long-form-factuality.

English

Large language models (LLMs) often generate content that contains factual errors when responding to fact-seeking prompts on open-ended topics. To benchmark a model's long-form factuality in open domains, we first use GPT-4 to generate LongFact, a prompt set comprising thousands of questions spanning 38 topics. We then propose that LLM agents can be used as automated evaluators for long-form factuality through a method which we call Search-Augmented Factuality Evaluator (SAFE). SAFE utilizes an LLM to break down a long-form response into a set of individual facts and to evaluate the accuracy of each fact using a multi-step reasoning process comprising sending search queries to Google Search and determining whether a fact is supported by the search results. Furthermore, we propose extending F1 score as an aggregated metric for long-form factuality. To do so, we balance the percentage of supported facts in a response (precision) with the percentage of provided facts relative to a hyperparameter representing a user's preferred response length (recall). Empirically, we demonstrate that LLM agents can achieve superhuman rating performance - on a set of ~16k individual facts, SAFE agrees with crowdsourced human annotators 72% of the time, and on a random subset of 100 disagreement cases, SAFE wins 76% of the time. At the same time, SAFE is more than 20 times cheaper than human annotators. We also benchmark thirteen language models on LongFact across four model families (Gemini, GPT, Claude, and PaLM-2), finding that larger language models generally achieve better long-form factuality. LongFact, SAFE, and all experimental code are available at https://github.com/google-deepmind/long-form-factuality.