LLMs Know More Than They Show: On the Intrinsic Representation of LLM Hallucinations

要約

大規模言語モデル (LLM) は、事実の不正確さ、偏見、推論の失敗などのエラーを引き起こすことが多く、これらを総称して「幻覚」と呼びます。
最近の研究では、LLM の内部状態がその出力の真実性に関する情報をエンコードしており、この情報を利用してエラーを検出できることが実証されています。
この研究では、LLM の内部表現が、以前に認識されていたよりもはるかに多くの真実性に関する情報をエンコードしていることを示します。
私たちは、真実性の情報が特定のトークンに集中していることを初めて発見し、この特性を活用することでエラー検出パフォーマンスが大幅に向上しました。
しかし、我々は、そのようなエラー検出器がデータセット全体で一般化できないことを示し、これは、以前の主張に反して、真実性エンコーディングが普遍的ではなく、むしろ多面的であることを示唆しています。
次に、モデルが発生する可能性のあるエラーの種類を予測するために内部表現も使用でき、カスタマイズされた軽減戦略の開発が容易になることを示します。
最後に、LLM の内部エンコードと外部動作の間の矛盾を明らかにします。LLM は正しい答えをエンコードする可能性があるにもかかわらず、一貫して不正確な答えを生成する可能性があります。
これらの洞察を総合すると、モデルの内部の観点から LLM エラーについての理解が深まり、エラー分析と軽減を強化するための将来の研究に役立てることができます。

要約(オリジナル)

Large language models (LLMs) often produce errors, including factual inaccuracies, biases, and reasoning failures, collectively referred to as ‘hallucinations’. Recent studies have demonstrated that LLMs’ internal states encode information regarding the truthfulness of their outputs, and that this information can be utilized to detect errors. In this work, we show that the internal representations of LLMs encode much more information about truthfulness than previously recognized. We first discover that the truthfulness information is concentrated in specific tokens, and leveraging this property significantly enhances error detection performance. Yet, we show that such error detectors fail to generalize across datasets, implying that — contrary to prior claims — truthfulness encoding is not universal but rather multifaceted. Next, we show that internal representations can also be used for predicting the types of errors the model is likely to make, facilitating the development of tailored mitigation strategies. Lastly, we reveal a discrepancy between LLMs’ internal encoding and external behavior: they may encode the correct answer, yet consistently generate an incorrect one. Taken together, these insights deepen our understanding of LLM errors from the model’s internal perspective, which can guide future research on enhancing error analysis and mitigation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google