实体
ConFiQA
ConFiQA
PulseAugur coverage of ConFiQA — every cluster mentioning ConFiQA across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新的BALTO框架在Token级别精准定位LLM幻觉
上海交通大学和腾讯的研究人员开发了BALTO，一个新颖的强化学习框架，旨在精准消除大型语言模型（LLMs）中的幻觉。该框架通过在Token级别分配信用，仅惩罚错误的Token，同时激励正确的、事实性的Token。这一方法在最近的一篇论文中有所详述，旨在保持模型响应的丰富性和信息量，这与传统方法不同，传统方法可能会因为微小的事实错误而过度惩罚整个答案。在金融和问答数据集上的实验表明，BALTO在稳定性、效率以及平衡事实准确性与信息内容方面表现出色。
-
新的BALTO框架通过平衡令牌奖励解决LLM幻觉问题
研究人员开发了BALTO，一种用于减轻大型语言模型幻觉的新颖框架。该方法使用平衡的令牌级策略优化来更有效地分配信用，解决了局部幻觉和优化偏差问题。在ConFiQA和RAGTruth等多个基准上的实验表明，BALTO显著提高了忠实度，并与现有方法相比提供了更好的忠实度和信息量之间的权衡。
-
新型小型语言模型实现多跳推理下的忠实问答
研究人员开发了OCC-RAG，这是一系列旨在实现忠实问答的小型语言模型（SLM）。这些模型在一个包含超过三百万个示例的新型数据集上进行训练，重点关注多跳推理和上下文遵循。OCC-RAG模型，包括0.6B和1.7B参数版本，在特定的问答基准测试中，展现出媲美甚至超越大型通用模型的性能。