LLM 大模型缺陷

最新推荐文章于 2024-08-09 22:24:25 发布

Python秒杀

最新推荐文章于 2024-08-09 22:24:25 发布

阅读量571

点赞数 7

文章标签：人工智能大模型 llama langchain RAG LLM 大模型幻觉

本文链接：https://blog.csdn.net/pythonhy/article/details/141065279

版权

虽然领先的 LLM 已经以高分通过了大量人类考试，但它们并不是完美的，接下来我们会介绍一些LLM 的已知缺陷。

1.1 模型幻觉(hallucination)

模型幻觉 (hallucination) 指模型生成的信息并不真实，或者说是"臆想出来的", 它有时会生成看似合理，但实际上并不存在的内容。这主要是因为模型在生成文本时，只是根据学习到的数据的统计模式进行推断，而不是基于对真实世界的理解。例如，模型可能会错误地声称某位历史人物在不可能的年代出生或死亡，此外也有编造论文标题、编造网页链接的情况。

举一个现实的案例，2023年6月，律师 Steven A. Schwartz 和 Peter LoDuca 因提交 ChatGPT 生成的法律简报而被罚款 5000 美元，其中包括对不存在案件的引用。美国地方法官强调，虽然 AI 援助并不被禁止，但所有 AI 生成的文件都必须检查准确性。

在这里插入图片描述

律师使用 ChatGPT 生成的法律简报被处罚

1.2 逆转诅咒(reversal curse)

在这里插入图片描述

逆转诅咒示例

逆转诅咒 (reversal curse) 是指 LLM 无法逆转他们训练时的因果陈述，如果 LLM 是在 “A is B” 上训练的，它无法直接推理出 “B is A” 。

比如，在图中，我们先问 LLM “Who is Tom Cruise’s mother?”，LLM 快速回答了正确的答案 “Mary Lee Pfeiffer”；但当我们反问 “Who is Mary Lee Pfeiffer’s son ?” 时， LLM 却无法回答。

Andrej Karpathy 认为逆转诅咒的现象某种程度上暴露了 LLM 推理能力的根本缺陷。这种现象的出现或许表明，LLM 严重依赖统计模式，而没有发展出对信息的因果理解。LLM 的知识比人们想象的要"零散"得多，它更多时候在输出统计意义上貌似合理的内容 (statistically plausible) 。

1.3 遗忘中间 (lost in the middle)

遗忘中间 (lost in the middle) 是指 LLM 虽然具备一定长度的上下文(context)窗口。但在真实使用时，研究人员观察到当相关信息出现在输入上下文的开头或结尾时，性能通常最高，而当模型需要在长篇上下文的中间获取相关信息时，性能会显著下降。

为了解释这个特性，我们需要介绍一个评估 LLM 长上下文记忆能力的实验，大海捞针（NIAH, needle in a haystack）实验。在这个实验中，模型的任务是在更大的上下文（“干草堆/大海”）中识别特定的信息（“针”）。NIAH 已经受到了广泛的关注，Google 和 Anthropic 都采用了它来对 Gemini 1.5 和 Claude 3 进行测试。

NIAH 的基准测试过程主要包括以下步骤：

定义任务：首先，需要定义模型需要完成的任务。这个任务通常是在大量的文本中找出特定的信息。例如，可以要求模型在一篇巨大的文本中找出某个人的出生日期。
运行模型：然后，将任务输入模型，让模型运行并生成结果。模型的运行可能需要一定的时间，取决于模型的复杂度和任务的难度。
评估结果：最后，需要评估模型的结果。这通常包括两个方面：一是结果的准确性，即模型是否找到了正确的信息；二是结果的完整性，即模型是否找到了所有相关的信息。

在这里插入图片描述

GPT-4 NIAH benchmark 结果

上图提供了一个 GPT-4 的 NIAH 测试结果，从图中可以观察到，当输入文本长度超过 100K 时：如果"针"被插入在文本开始或文本结尾时，模型均可准确捕获；但当"针"被插入在文档前部 10-50% 的部分时，捕获准确率开始下降。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望