为什么大语言模型会产生幻觉？如何解决大语言模型幻觉问题？

随着ChatGPT 的兴起，大语言模型再次被提及，越来越多的行业开始探索，如导购、政府、教育、医疗等行业；

大语言模型的突破，展现出了类人的通用智能“涌现”能力，能够学习多个领域的知识、处理多种任务，因此被称为通用大模型，通用大语言模型具备特点也具备不足，大模型特点主要参数模型大、泛化能力强、支持多模态，如 GPT、豆包、通义等在语言交互场景回答问题表现出色。虽然大语言模型在多个指标展现的能力可能超出人类，但大语言模型也存在诸多不足：

• 不可能的三角问题：大模型在专业性、泛化性和经济性三方面不可兼得，产生不可能的三角问题。大模型的准确性要求越高，越需要特定领域数据进行训练，可能造成模型过拟合而降低泛化能力，以及增加数据收集和训练成本，降低经济性。

• 知识局限性：大语言模型知识的广度严重依赖于训练模型时数据的广度，目前的市面上大部分大语言模型的训练数据都来源于互联网，对于内部企业知识、特定领域知识等无从学习。

• 模型幻觉问题：所有 AI 模型的底层原理都是基于数学概率，模型的输出本质是一系列的数值的运算，所以大模型有时候会一本正经的胡说八道，在大模型不擅长的场景或不具备某一方面的知识表现尤为突出。区分大模型的幻觉比较困难，要求使用者具备相应领域的知识。

• 知识滞后性：大语言模型的知识的获取都是通过训练数据集获得，模型训练后产生新的知识模型无法快速学习，想要增加新的知识需要进行训练，成本极高。

  ---

  
  

  
  

01

—

为什么大语言模型产生幻觉问题？

什么是大模型幻觉：在大语言模型中幻觉表示模型输出了内容，但是内容是虚假文本，容易导致一些错误发生。

让模型产生幻觉的原因可能是：

• 模型训练数据：大语言模型是通过互联网上的各种各样的数据训练，并不关心训练过程中使用的具体文档和来源。模型训练的重点不在于具体细节，而是广泛性，这样大模型能够输出创造性的答案、参与复杂的对话。如果训练数据不准确、误导性，模型可能学习到这些信息并在生成文本时表现出来。

• 模型自身限制：模型的运作都是基于 token 的概念，token 是从单个字符到整个字符的离散语言单位。大语言模型一次性处理特定数量的 token，使用复杂的数学计算模型来预测序列中最有可能出现的下一个 token。而对于没有学习的特定领域的知识、新的知识、以及一些专业场景，模型输出可能导致出现幻觉；

• 上下文理解的限制：在理解上下文时可能存在限制，当上下文不足或存在歧义时，可能导致生产的文本不准确，导致出现幻觉。

因此通用大模型以发展通识为目标，更侧重泛化性，在专业性方面很难满足具体行业的特定需求，存在“有幻觉”等情况。

通用大模型在toB垂直领域，由于缺乏细分专业知识，所以更容易产生幻觉。每一个客户都有自己独特的数据、业务、流程等，因此需要训练行业大模型，紧密结合业务系统实现可落地的智能应用。客户针对行业大模型加上自己的数据进行训练和微调，才能大打造出适合企业智能服务。

---

02

—

如何解决大语言模型幻觉问题？

在解决大语言模型幻觉构建行业大模型的过程中，由于需求和目标不同，目前有四种方式提示词工程、检索增强生成、微调、预训练。

1、引导：提示工程

提示工程（prompt engineering） 指通过针对性的设计提示词（prompt）来引导大模型产生出特定应用场景所需要的输出。

大语言模型的相应质量取决于用户提供的提示和指令，我们与大模型互动给予其指令显著影响其生成答案的质量。

提示工程啥上手相对简单，不需要批量采集数据以及构建数据集，更不需要调整或训练模型本身。因此在在企业构建行业大模型的落地中，解决模型幻觉问题，可以采用这种方式来探索进行快速落地。

提示工程适用于快速探索应用的场景，如文案创作、对话系统等，优化提示词可以显著提升生成内容的质量。

2、外挂：检索增强生成

增强增强生产（RAG，retrieval - Augmented Generation） 指在不改变大模型本身的基础上，通过外挂知识库等方式，为模型提供特定领域的数据信息输入，实现对特定领域更加精准的信息检索和生产。

主要优点：

• 满足企业自由数据所有权的诉求：模型本身只会查找和调用外挂的数据，并不会将外挂的知识库数据进行训练，变成模型自有知识。
• 提高模型的准确性：通过外挂知识库的方式，让模型能基于特定数据生成内容，降低模型的幻觉。
• 具备高性价比：底层的大语言模型不做调整，不需要投入人力和算力进行微调和预训练，能够快速开发和部署。

RAG的核心能力是检索和生成。基本的流程是将私有化知识进行切片并进行向量化，回答问题时，当用户提出出一个问题，RAG对问题进行向量化，利用向量检索私有数据，找到问题的相关信息，再结合提示词将问题和检索到的信息作为上下文输入到通用大模型，模型接收到这个强提示后，将自己的内部知识综合，最后生成更准确的内容。

检索增强生成适用于需要引用大量知识的场景，如问答系统、专业咨询等，生成内容准确性高，并且保证了自有数据所有权。

3、优化：微调

微调（FT，Fine - tuning）是在已经预训练的大模型基础上，基于特定数据集进一步调整大模型的部分参数，使大模型更好地适应业务场景、准确完成特定任务。微调目前是较为常用的行业大模型构建方法。

微调适用于特定行业领域对大模型有更好性能要求的场景，在实际的行业应用中，当通用大语言模型无法理解或生成专业的行业内容时，可以通过微调的方式，提升大模型理解行业特定术语和正确应用行业知识的能力，确保大语言模型的输出符合特定行业或业务诉求。

微调后的通用大模型不仅保留了原有的通用知识，还会将行业知识内化到大模型参数中，较为准确的理解和使用行业知识，更好地适应特定行业的场景，提供更加贴合实际需求的解决方案。

微调适用于系统通过大模型在行业应用场景表现的更好的场景，具备较好的行业泛化能力。

4、原生：预训练

预训练适用于现有通用大模型差异比较大的场景，以及通过提示词、检索增强生成、微调无法达到需求标准时，构建一个专门为特定行业的大模型。

预训练的方式需要收集并标注大量的行业特定数据集，涵盖文本、图像、交互记录等，以及特殊格式数据。在训练过程中，模型通常采用从底层参数开始训练，或者基于具备一定能力的通用模型进行后训练（二次增训，post-training），目的是大模型更好地理解特定领域的知识、术语，提供大模型在行业应用中的准确性，确保领域的专业性。

预训练的方式一般需要投入较大的成本，需要大量的计算资源和长期的训练过程，一般较少使用这种方式。

预训练适用于通用大模型缺乏目标任务相关的知识和能力的场景，专业性高能够准确理解并执行特定任务。

---

03‍

—

典型案例‍‍‍‍‍‍‍‍‍‍‍‍‍‍

在具体的落地中，通常不会只使用一种方式，而是组合使用以实现最佳效果，如在目前构建的智能客服问答系统中会综合使用提示词工程、检索增强生成和微调等方式。

大模型结合RAG（检索增强生成）构建的客服系统结合多种方式提升RAG的问答准确率。

提示工程(Prompt Engineering)：

• 清晰的区分 context & query
• 在 prompt 中针对场景描述额外的需求
• 模板：你作为XXXX的客服，解答用户在使用XX时遇到的问题，以下是几条可能与用户问题相关的常见问题与答案，你只能根据提供的材料来回答用户的问题。如果提供的材料无法回答用户问题，请你回答："抱歉，无法回答您的问题！”以下是可能与用户问题相关的常见问题与答案：
  <CONTEXT>（检索增强召回的内容）
  用户问题:<QUERY>
  ‍