到现在为止，我们仍旧对大模型「幻觉」如何、为何产生，知之甚少。
最近，来自Technion、谷歌和苹果的研究人员发现，LLM「真实性」的信息集中在特定的token，而且并得均匀分布。
正如论文标题所示，「LLM知道的往往要比表现出来的更多」。
论文地址：https://arxiv.org/pdf/2410.02707
不仅如此，他们还发现，内部表征可以用来预测LLM可能会犯错的错误类型。
它的优势在于，未来有助于开发出针对性的解决方案。
最后，研究团队还解释了，大模型内部编码和外部行为之间存在的差异：
它们可能在内部编码了正确答案，却持续生成错误答案。
幻觉，如何定义？
事实错误、偏见，以及推理失误，这些统称为「幻觉」。
以往，大多数关于幻觉的研究，都集中在分析大模型的外部行为，并检查用户如何感知这些错误。
然而，这些方法对模型本身如何编码、处理错误提供了有限的见解。
近期另有一些研究表明，LLM内部状态其实「知道」那些输出可能是错误的，而且这种「知识」被编码在模型内部状态中。
这一发现可以帮助提高错误检测的性能，并进一步缓解这些问题。
不过其中一个缺陷是，这些研究主要集中了检验模型生成最后一个token、或提示符中最后一个token。
由于LLM通常会生成长篇的相应，因此这一做法可能会错过关键细节。
在最新研究中，研究团队采取了不同的方法：
不只是看最终的输出，而是分析「确切的答案token」，如若修改，将会改变答案的正确性的相应token。
最终证明了，LLM内部表征所包含的真实性信息，比以往要多得多。
但这种错误检测器难以在不同数据集之间泛化，这说明真实性编码并非统一的，而是多方面的。
更好的错误检测
给定一个大模型M，输入提示p、模型生成的响应ŷ，任务预测ŷ是正确还是错误的。
假设可以访问LLM内部状态（即白盒设置），但不能访问任何外部资源（如搜索引擎或其他LLM）。
数据集使用的是
，包含N个问题-标签对，
代表着一系列问题，
代表着对应的真实答案。
对于每个问题q_i，作者让模型M生成响应y_i，得到预测答案集
。
接下来， 研究人员构建了错误检测数据集，通过将每个生成的响应ŷ_i与真实标签y_i比较，以评估其正确性。
比较结果会产生出一个正确的标签z_i ∈ {0, 1}（1表示正确，0表示错误）。
这种比较可以通过自动启发式方法，在指令型LLM的协助下完成。
最终的错误检测数据集为
。其排除了LLM拒绝回答的情况，因为这些可以轻易地被分类为错误。
接下来，研究人员在Mistral 7B和Llama 2模型的四个变体上进行了实验。
这些模型跨越了十个数据集，涵盖了各种任务。
其中包括问答、自然语言推理、数学问题解决、情感分析。
他们允许模型生成不受限制的响应，来模拟真实世界的使用情况。
这里，一共用到了三种错误检测方法：Aggregated probabilities / logits、P(True)、Probing。
精确答案token
现有的方法经常忽略一个关键的细微差别：用于错误检测的token选择，通常关注最后生成的token或取平均值。
然而，由于大模型通常会生成长篇回复，这种做法可能会错过关键细节。
还有一些方法使用提示最后的一个token，但本质上是不正确的，因为大模型的单向性，未能考虑生成响应和丢失的情况，其中同一模型的不同采样答案在不同情况下，有所不同正确性。
对此，研究人员检查了以往未经检查的token位置：确切的答案token，代表生成响应中最有意义的部分。
他们将精确答案token定义为那些修改会改变答案的正确性token，而忽略了后续生成的内容。
如下图图1，说明了不同的token位置。
实验结果
真实性编码模式
研究人员首先专注于探索分类器，以了解LLM的内部表征。
具体来说，广泛分析了层和token选择对这些分类器激活提取的影响。这是通过系统地探测模型的所有层来完成的，从最后一个问题token开始，一直到最终生成的token。
下图2显示了Mistral-7b-Instruct各个层和token中经过训练的探测器的AUC指标。
虽然，某些数据似乎更容易进行错误预测，但所有数据集都表现出一致的真实性编码模式。
对于token来说，提示后立即出现了强烈的真实性信号，表明这种表征编码了有关模型正确回答问题的一般能力的信息。
对着文本生成的进行，该信号会减弱，但在确切的答案token处，再次达到峰值。
再生成过程即将结束时，信号强度再次上升，表明了该表征编码了整个生成过程的特征，尽管它仍弱于确切答案token。
错误检测结果
接下来，研究人员通过比较使用、不使用精确答案token的性能，来评估各种错误检测方法。
表1比较了三个代表性数据集的AUC。
在这里，他们展示了最后一个精确答案token的结果，它的性能优于第一个精确答案token及其前面的token，而最后一个精确答案token之后的token性能类似。
合并精确答案token，有助于改进几乎所有数据集中的不同错误检测方法。
任务之间的泛化
以上，探测分类器在检测错误方面有效性，表明了大模型对其输出的真实性进行了编码。
但目前仍不清楚的是，它们跨任务的通用性。
然而，理解这一点对于实际应用至关重要，因为错误检测器可能会遇到与训练时完全不同的示例。
因此，研究人员探讨在一个数据集上训练的探测器，是否可以检测其他数据集的错误。
如下图3显示了Mistral-7b-Instruct的泛化结果。在这种情况下，高于0.5的值表明泛化成功。
乍一看，结果似乎与之前的研究一致：大多数热图值超过0.5，这意味着跨任务具有一定程度的泛化性。
然而，再仔细检查，发现大部分性能可以通过基于logit的真实性检测来实现，该检测仅观察输出logits。
图3b显示了从最强的基于Logit的基线（Logit-min-exact）中减去结果后的相同热图。
这张 调整后的热图揭示了探测器的泛化能力很少超过单独检查 logits所能达到的效果。
这意味着明显的概括并非源于真实性的普遍内部编码，而是反映了已经可以通过逻 辑等外部特征获取的信息。
调查错误类型
在确定了错误检测的局限性后，研究人员转向错误分析。
错误分类
图4说明了，三种代表性的错误类型。
在其中一个（图4a）中，模型通常会给出正确的答案，但偶尔会出错，这意味着存在正确的信息，但采样可能会导致错误。
在第二种类型中（图4b），模型经常做出错误的响应，尽管它能够提供正确的答案，这表明尽管不断犯同样的错误，但仍然保留了一些知识。
在第三种类型中（图4c），模型生成了大多数答案都是错误的，反映出对任何生成的答案的信心较低。
研究人员通过记录每个示例的三个特定特征来对错误进行分类：（a）生成的不同答案的数量；(b) 正确答案的频率；(c) 最常见的错误答案的频率。
预测错误类型
表2列出了所有模型的测试集结果。
检测正确答案
最后，在确定模型编码各种与真实性相关的信息后，作者又研究了这种内部真实性，如何在响应生成过程中，与外部行为保持一致。
为此，他们使用了探测器（5个经过错误检测训练），从针对同一问题生成的30个响应中，选择一个答案。
然后，根据所选答案来衡量模型的准确性。
Mistral-7b-instruct的结果如下图5所示，总体而言，使用探测器选择答案可以提高大模型在所有检查任务中的准确性。
总之，这项研究的发现，可以帮助未来研究人员去设计更好的幻觉环节系统。
遗憾的是，它使用的技术需要访问内部LLM表征，这也主要适用于开源模型的使用。