IT之家 9 月 13 日消息，科技媒體 maginative 昨日（9 月 12 日）發(fā)布博文，報(bào)道谷歌公司基于谷歌數(shù)據(jù)共享（Data Commons）中的真實(shí)世界統(tǒng)計(jì)數(shù)據(jù)，推出了開放權(quán)重 Gemma 模型的新版本 DataGemma。
語言模型當(dāng)前面臨的一大難題就是幻覺（Hallucinations），尤其是大語言模型（LLMs）在處理數(shù)值或統(tǒng)計(jì)數(shù)據(jù)時(shí)，這一問題變得尤為棘手，因此精確性至關(guān)重要。
谷歌的 Data Commons 是一個(gè)存儲(chǔ)庫，匯集了來自聯(lián)合國和疾病控制與預(yù)防中心等可信組織收集的超過 2400 億個(gè)數(shù)據(jù)點(diǎn)。
通過利用這一龐大的統(tǒng)計(jì)數(shù)據(jù)集，基于 Gemini 的 DataGemma 能夠顯著提升模型準(zhǔn)確性，確保其輸出基于真實(shí)可信的現(xiàn)實(shí)世界信息。
DataGemma 方法的核心在于兩種關(guān)鍵技術(shù)：檢索交錯(cuò)生成（RIG）和檢索增強(qiáng)生成（RAG）。這兩種方法通過在生成過程中將模型基于現(xiàn)實(shí)世界數(shù)據(jù)，從而減少幻覺現(xiàn)象。
IT之家簡要介紹兩項(xiàng)技術(shù)如下：
RIG：
通過主動(dòng)查詢可信來源，再生成回答的方式運(yùn)作。在接收到提示詞之后，DataGemma 會(huì)識別查詢中的統(tǒng)計(jì)數(shù)據(jù)點(diǎn)，并從數(shù)據(jù)共享平臺(tái)獲取準(zhǔn)確信息。
例如，若被問及“全球可再生能源的使用量是否有所增加？”，該模型會(huì)在回答中穿插實(shí)時(shí)統(tǒng)計(jì)數(shù)據(jù)，確保事實(shí)準(zhǔn)確性。
RAG：
在生成回答之前，會(huì)從數(shù)據(jù)共享平臺(tái)檢索相關(guān)信息，進(jìn)一步提升了回答的質(zhì)量。借助其長上下文窗口（由 Gemini 1.5 Pro 實(shí)現(xiàn)），DataGemma 確保了回答的全面性，引入了表格和腳注以提供更深層次的上下文，從而減少了虛構(gòu)內(nèi)容的出現(xiàn)。
谷歌對 RIG 和 RAG 的研究尚處于初期階段，但初步成果令人鼓舞。通過將現(xiàn)實(shí)世界數(shù)據(jù)嵌入回復(fù)中，DataGemma 模型在處理數(shù)值事實(shí)和統(tǒng)計(jì)查詢方面展現(xiàn)出顯著提升。研究團(tuán)隊(duì)已發(fā)表論文詳述其方法，強(qiáng)調(diào)這些技術(shù)如何幫助 LLMs 判斷何時(shí)依賴外部數(shù)據(jù)與內(nèi)部參數(shù)。
