解决大型语言模型中的主题粒度和虚构问题用于主题建模
原文中文，约400字，阅读约需1分钟。发表于：。利用直接偏好优化（Direct Preference Optimization）对开源大型语言模型（Large Language Models）进行微调，以解决主题粒度和虚构主题的问题，实现产生更连贯、相关和精确的主题，并减少虚构主题的数量。
本文提出了自动细粒度幻觉检测任务和综合分类法。通过新的基准测试，研究结果显示ChatGPT和Llama 2-Chat的输出中有60%和75%的幻觉。研究者训练了FAVA来检测和纠正细粒度幻觉，FAVA在细粒度幻觉检测方面明显优于ChatGPT。FAVA的修改还提高了语言模型生成文本的准确性，导致了5-10%的FActScore改进。
