平安：动态注意力提高LLM生成一致性

📖标题：Dynamic Attention-Guided Context Decoding for Mitigating Context Faithfulness Hallucinations in Large Language Models
🌐来源：arXiv, 2501.01059

🌟摘要

🔸大型语言模型（LLM）经常出现上下文忠实幻觉，由于上下文利用不足和输出不确定性高，输出与检索到的信息存在偏差。我们的不确定性评估实验表明，高不确定性和幻觉之间存在很强的相关性。我们假设注意机制编码了指示上下文利用的信号，并通过探测分析进行了验证。
🔸基于这些见解，我们提出了动态注意力引导上下文解码（DAGCD），这是一个轻量级的框架，在单次解码过程中集成了注意力分布和不确定性信号。QA数据集的实验证明了DAGCD的有效性，在保持计算效率的同时，在忠实性和鲁棒性方面实现了显著提高。

🛎️文章简介

🔸研究问题：大语言模型（LLM）在生成回答时无法忠实于上下文，即上下文忠实性幻觉。
🔸主要贡献：论文提出了动态注意力引导的上下文解码（DAGCD）框架，通过整合注意力分布和基于熵的不确定性信号，增强了