Внимание удовлетворяет: подход к фактическим ошибкам языковых моделей через призму удовлетворения ограничений

Attention Satisfies: A Constraint-Satisfaction Lens on Factual Errors of Language Models

September 26, 2023

Авторы: Mert Yuksekgonul, Varun Chandrasekaran, Erik Jones, Suriya Gunasekar, Ranjita Naik, Hamid Palangi, Ece Kamar, Besmira Nushi

cs.AI

Аннотация

Мы исследуем внутреннее поведение трансформерных больших языковых моделей (LLM) при генерации текста, содержащего фактические ошибки. Мы предлагаем моделировать фактологические запросы как задачи удовлетворения ограничений и используем этот подход для изучения того, как модель взаимодействует с фактологическими ограничениями на внутреннем уровне. В частности, мы обнаруживаем сильную положительную связь между вниманием модели к токенам ограничений и фактической точностью её ответов. В нашем тщательно отобранном наборе из 11 датасетов, содержащих более 40 000 запросов, мы изучаем задачу предсказания фактических ошибок для семейства моделей Llama-2 всех масштабов (7B, 13B, 70B). Мы предлагаем метод SAT Probe, который анализирует паттерны самовнимания и позволяет предсказывать выполнение ограничений и фактические ошибки, а также выявлять ошибки на ранних этапах. Наш подход и результаты демонстрируют, как использование механистического понимания фактологии в LLM может повысить их надежность.

English

We investigate the internal behavior of Transformer-based Large Language Models (LLMs) when they generate factually incorrect text. We propose modeling factual queries as Constraint Satisfaction Problems and use this framework to investigate how the model interacts internally with factual constraints. Specifically, we discover a strong positive relation between the model's attention to constraint tokens and the factual accuracy of its responses. In our curated suite of 11 datasets with over 40,000 prompts, we study the task of predicting factual errors with the Llama-2 family across all scales (7B, 13B, 70B). We propose SAT Probe, a method probing self-attention patterns, that can predict constraint satisfaction and factual errors, and allows early error identification. The approach and findings demonstrate how using the mechanistic understanding of factuality in LLMs can enhance reliability.