谷歌研究院推出了一个名为AGREE的创新框架，旨在增强大型语言模型（LLM）生成内容和引用的准确性。这一框架通过检索文档中的相关段落来增强大模型生成回答的事实基础，并提供相应的引用，从而提高回答的准确性，并为用户提供验证信息真实性的途径。
核心技术:
训练阶段微调:使用基础大模型生成回答，并利用自然语言推理模型（NLI）评估段落是否支持特定声明。AGREE框架使用NLI模型从未标记的查询中自动构建训练数据集，通过匹配回答和检索到的文档，为每个声明找到最相关的支持性段落。
测试时自适应:一种动态、迭代的推理增强方法，帮助大模型在面对新的内容查询时，主动从大型语料库中检索相关信息，并对生成的回答进行补充和修正。
AGREE的工作流程:
在微调阶段，AGREE框架采用LORA的轻量级微调技术，通过在大模型的权重矩阵上添加低秩更新，实现高效且针对性的调整，减少计算资源消耗，同时保持模型泛化能力。
测试时自适应从接收到新查询开始，微调后的大模型根据训练阶段学到的知识生成初步回答，然后进入自动迭代过程，自我评估并识别需要额外支持的声明。
一旦识别出需要额外信息的声明，启动检索过程，在预构建的语料库中搜索相关段落，并将这些段落与先前回答结合，生成更完善、准确的内容。
实验结果:
研究人员在Llama-2-13b等知名大模型上进行了实验，结果显示AGREE在提升内容回答准确性和引用性方面表现突出。
论文地址：https://arxiv.org/pdf/2311.09533
大模型准确性自适应模型生成语料库训练数据真实性arxiv训练数据集知识生成计算资源研究人员llama轻量级自然语言生成内容泛化能力工作流数据集大型语言模型
