Долгосрочная фактичность в больших языковых моделях

Long-form factuality in large language models

March 27, 2024

Авторы: 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

Аннотация

Большие языковые модели (LLM) часто генерируют контент, содержащий фактические ошибки при ответе на запросы о фактах по открытым темам. Для оценки фактичности модели в длинной форме в открытых областях мы сначала используем GPT-4 для создания LongFact - набора запросов, включающего тысячи вопросов по 38 темам. Затем мы предлагаем использовать агентов LLM в качестве автоматических оценщиков фактичности в длинной форме с помощью метода, который мы называем "Поисково-Дополненный Оценщик Фактичности" (SAFE). SAFE использует LLM для разбиения длинного ответа на набор отдельных фактов и оценки точности каждого факта с использованием многоэтапного процесса рассуждения, включающего отправку поисковых запросов в Google и определение, подтверждается ли факт результатами поиска. Более того, мы предлагаем расширить метрику F1 в качестве агрегированной метрики для фактичности в длинной форме. Для этого мы балансируем процент подтвержденных фактов в ответе (точность) с процентом предоставленных фактов относительно гиперпараметра, представляющего предпочтительную длину ответа пользователя (полнота). Эмпирически мы демонстрируем, что агенты LLM могут достичь сверхчеловеческой производительности оценки - на наборе ~16 тыс. отдельных фактов SAFE согласуется с аннотаторами, привлеченными из толпы, в 72% случаев, и на случайной подвыборке из 100 случаев разногласий SAFE побеждает в 76% случаев. В то же время SAFE более чем в 20 раз дешевле, чем аннотаторы. Мы также проводим оценку тринадцати языковых моделей на LongFact из четырех семейств моделей (Gemini, GPT, Claude и PaLM-2), обнаруживая, что более крупные языковые модели обычно достигают лучшей фактичности в длинной форме. LongFact, SAFE и весь экспериментальный код доступны по адресу 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.