此項研究成果已被 NeurIPS 2024 錄用。該論文的第一作者是杜克大學電子計算機工程系的博士生張健一，其主要研究領(lǐng)域為生成式 AI 的概率建模與可信機器學習，導(dǎo)師為陳怡然教授。

大語言模型（LLM）在各種任務(wù)上展示了卓越的性能。然而，受到幻覺（hallucination）的影響，LLM 生成的內(nèi)容有時會出現(xiàn)錯誤或與事實不符，這限制了其在實際應(yīng)用中的可靠性。

針對這一問題，來自杜克大學和 Google Research 的研究團隊提出了一種新的解碼框架 —— 自驅(qū)動 Logits 進化解碼（SLED），旨在提升大語言模型的事實準確性，且無需依賴外部知識庫，也無需進行額外的微調(diào)。

• 論文地址：https://arxiv.org/pdf/2411.02433
• 項目主頁：https://jayzhang42.github.io/sled_page/
• Github地址：https://github.com/JayZhang42/SLED
• 作者主頁：https://jayzhang42.github.io

研究背景與思路總結(jié)

近期相關(guān)研究顯示，盡管用戶在訪問大語言模型（LLM）時可能無法得到正確的答案，但 LLM 實際上可能已經(jīng)基于海量的訓練數(shù)據(jù)和漫長的訓練周期學到了正確的答案，并將其存儲于模型內(nèi)部某處。

研究者將這類無法直觀從模型輸出中獲得的信息稱為 “潛在知識”，并用圖一精煉出了對應(yīng)的 “三體問題”。

圖一：Factuality Decoding 的 “三體問題”

圖一中，考慮到每條問題的標準答案都已包含訓練數(shù)據(jù)集中，因此可以說訓練時，真實世界的事實分布是已知的。LLM 的訓練正是為了縮小 LLM 輸出分布 和真實事實分布 之間的差距。

然而，在 LLM 的推理階段（inference time），真實的事實分布是未知的，因此這項研究的重點便是如何挖掘模型的潛在知識分布，并利用其進一步增強模型的輸出。

概括來說， SLED 方法通過對比最后一層的和前面幾層的，有效地挖掘了 LLMs 內(nèi)部的潛在知識。

同時，研究者也指出 LLM 中的潛在知識雖然有價值，但可能并不完美。因此，SLED 不是簡單地使用這些潛在知識替換原始輸出，而是通過類似于對輸出  進行 “梯度下降” 的操作，將其整合到原始輸出中，從而有效地平衡了兩者，避免了過擬合等潛在的風險。

圖二：SLED 框架的主要流程

方法設(shè)計

為了提高事實準確性，需要確保正確的 token， 在輸出分布中獲得更高的概率。這一過程可以通過優(yōu)化以下?lián)p失函數(shù) L 來描述，其中。

研究者將這一優(yōu)化過程稱為 Logits 進化。有趣的是，這同時也為理解 LLM 的訓練提供了新的視角 —— 不同于之前只關(guān)注訓練中模型參數(shù)的更新，可以看到：

• LLM 的訓練實際上一個是由訓練數(shù)據(jù)集作為外部驅(qū)動的 Logits 進化過程；
• LLM 的訓練為這個優(yōu)化過程找到的解就是最后一層的輸出 。

從上面的理解出發(fā)，可以預(yù)期最后一層的輸出的對應(yīng)的，通常要比前面幾層的輸出 對應(yīng)的要更接近訓練時的。這一點也在圖三中得到了驗證。

圖三：研究者對三個不同規(guī)模的 LLaMA-2 模型計算了每一層對應(yīng)的交叉熵損失。結(jié)果證實，就 KL 散度而言，最終層的 Logits 輸出分布比所有早期層更接近真實世界的分布

因此，受到經(jīng)典梯度下降算法的啟發(fā)，研究者通過如下的近似來反向估計 

這里對  的估計，實際上也就是之前提到的潛在知識，因此用來表示。在此基礎(chǔ)上，研究者通過類似梯度下降的方式，用估計出來的潛在知識，實現(xiàn)了對  自驅(qū)動進化，

從而得到了一個更接近事實分布的最終輸出。更細節(jié)的方法設(shè)計和討論，請參考原文。

實驗驗證

作為一種新型的層間對比解碼架構(gòu)，研究者首先將 SLED 與當前最先進的方法 DoLa 進行了比較。實驗覆蓋了多種 LLM families（LLaMA 2, LLaMA 3, Gemma）和不同模型規(guī)模（從 2B 到 70B），還有當前備受關(guān)注的混合專家（MoE）架構(gòu)。

結(jié)果表明，SLED 在多種任務(wù)（包括多選、開放式生成和思維鏈推理任務(wù)的適應(yīng)性）上均展現(xiàn)出明顯的事實準確性提升。

此外 SLED 與其他常見的解碼方式（如 contrastive decoding，ITI）具有良好的兼容性，能夠進一步提升性能。

最后，研究者發(fā)現(xiàn)，與以往的算法相比，SLED 在計算上幾乎沒有明顯的額外開銷。同時，在生成質(zhì)量方面，SLED 顯著抑制了以往方法中的重復(fù)性問題，進一步優(yōu)化了輸出結(jié)果。

引申思考：與目前流行的 inference-time 算法的聯(lián)系

實際上，不難看出，SLED 為后續(xù)的推理時（inference-time ）算法提供了一個新的框架。與目前大多數(shù) inference-time computing 方法主要集中于 sentence level 的輸出或 logits 進行啟發(fā)式修改不同，SLED 與經(jīng)典優(yōu)化算法銜接，如梯度下降法的結(jié)合更為緊密自然。

因此，SLED 不僅優(yōu)化效率更高，同時有很多的潛在的研究方向可以嘗試；另一方面，與 inference time training 方法相比，SLED 不涉及模型參數(shù)層面的修改，因此優(yōu)化效率上開銷更小，同時更能保持模型原有性能。

總結(jié)

本研究通過引入自驅(qū)動 Logits 進化解碼（SLED）方法，成功地提升 LLM 在多種任務(wù)中的事實準確性。展望未來，可以探索將 SLED 與監(jiān)督式微調(diào)方法結(jié)合，以適應(yīng)其他領(lǐng)域的特定需求如醫(yī)療和教育領(lǐng)域。同時，改進框架設(shè)計也將是持續(xù)關(guān)注的方向。