(资料图)

本文概要:

1. 研究人员通过添加两个词来减少大型语言编程客栈模型中的幻觉。

2. 这种简单的技术可以提高答案的准确性。

3. 该技术对于较大的指令调整模型最为有效。

编程客栈（）8月4日 消编程息:约翰霍普金斯大学的研究人员发现了一种简单的技术，可以减少大型语言模型（LLM） 中的幻觉并提高答案的准确性。通过在查询中添加“根据”，LLM更有可能引用观察到的文本并提供事实信息，而不是捏造答案。

他们使用 QUIP 分数指标对语言模型的回答进行审查，发现当在查询中加入“根据维基百科……”等基础提示时，引用信息的准确性可以提高5-15%。这种技术尤其在较大的指令调整模型中表现出色。

研究人员指出，通过使用基础提示词python，大型语言模型更有可能引用观察到的文本并提供真实的事实信息，而不是虚构的答案。

这一发现有助于提高人工智能系统的可信度和准确性，并减少系统产生虚假信息的情况。然而，研究人员也指出，这种技术在不同的语言模型和应用场景中可能会有所不同，需要进一步的研究和优化。

总体而言，这项研究为改进语言模型的质量和可靠性提供了一个简单有效的方python法。

标签：