与梯度下降等经典优化算法衔接更为紧密自然

原标题：NeurIPS 2024｜杜克大学&谷歌提出SLED解码框架，无需外部数据与额外训练，有效缓解大语言模型幻觉，提高事实准确性
文章来源：机器之心
内容字数：4361字

自驱动 Logits 进化解码（SLED）提升大语言模型的事实准确性

近年来，大语言模型（LLM）在多种任务中展现了卓越的性能，但幻觉（hallucination）现象导致其生成内容的准确性受到限制。为了解决这一问题，杜克大学与 Google Research 的研究团队提出了一种新的解码框架——自驱动 Logits 进化解码（SLED），旨在提升 LLM 的事实准确性。该方法不依赖外部知识库或额外微调，为模型的实际应用提供了更高的可靠性。

研究背景与思路

研究者指出，虽然用户可能无法得到 LLM 的正确答案，但模型内部存储的“潜在知识”可能包含正确的信息。该研究的重点在于如何挖掘这些潜在知识，并利用其增强模型输出的准确性。SLED 方法通过对比 LLM 不同层的输出，挖掘潜在知识，并通过一种“梯度下降”方式将其整合到原始输出中，从而有效提升事实准确性。

方法设计

SLED 方法通过优化损失函数 L 来提高输出中正确 token 的概率，实现 Logits 进化。研究者还发现，LLM 的训练实际上是一个由外部驱动的 Logits 进化过程，最后一层的输出通常更接近真实世界的分布。基于此，研究者通过反向估计潜在知识，最终实现更接近事实分布的输出。

实验验证

研究团队将 SLED 与当前最先进的方法 DoLa 进行了比较，涵盖多种 LLM 家族和不同规模的模型。实验结果显示，SLED 在多项任务中均显著提升了事实准确性，并且与其他解码方式兼容良好。更重要的是，SLED 在计算上几乎没有额外开销，且有效抑制了重复性问题，优化了输出质量。

未来展望

SLED 为后续推理时算法提供了新的框架，结合经典优化算法提高了效率。未来的研究方向可以探索将 SLED 与监督式微调结合，以适应特定领域的需求。此外，改进框架设计也是后续研究的重点。

通过引入 SLED 方法，本研究成功提升了 LLM 在多种任务中的事实准确性，为模型的实际应用提供了更可靠的支持。

联系作者

文章来源：机器之心
作者微信：
作者简介：专业的人工智能媒体和产业服务平台