大型语言模型的迅速发展带来了许多机遇，但也伴随着重大挑战，尤其是在确保生成响应的事实性方面。一个持续存在的问题是，这些模型可能会产生事实错误甚至误导性的输出，这种现象通常被称为“幻觉”。当模型生成听起来自信但实际上错误或无法验证的信息时，就会出现这种幻觉。鉴于对AI信息依赖的增加，事实准确性变得至关重要。然而，评估这种准确性并不容易，尤其是对于充满多个事实陈述的长篇内容。
OpenAI 开源 SimpleQA 基准
为了应对这一挑战，OpenAI 最近开源了 SimpleQA：一种新的基准，用于衡量语言模型生成响应的事实性。SimpleQA 的独特之处在于它专注于短小、寻求事实的问题，这些问题有一个单一、无可争议的答案，使得评估模型响应的事实正确性变得更加容易。
SimpleQA 的特点
- 高正确性：每个问题都有一个由两名独立 AI 训练师确定的参考答案，确保一致性。
- 单一清晰答案：数据集仅关注可以用单一、清晰答案回答的问题，避免歧义并简化评分。
- 多样化的主题：涵盖历史、科学、技术、艺术和娱乐等多个领域，防止模型专业化并确保全面评估。
- 快速评估：问题和答案简短，基准运行速度快，并在评估运行期间减少方差。
- 时间相关性：包含经过验证随时间相关的提问，消除信息变化的影响，使其成为一个“常青”基准。
SimpleQA 的评估方法
SimpleQA 的评分由 ChatGPT 分类器进行，该分类器将响应评估为“正确”、“错误”或“未尝试”。这种简单的结构使研究人员能够评估模型在事实约束下的表现。此外，SimpleQA 的评分指标提供了对模型行为的细致见解：
- 正确回答百分比：计算正确回答的问题百分比。
- 正确给定尝试：类似于精确度的指标，测量正确回答的比例。
- F分数：结合正确回答百分比和正确给定尝试得出的单一数字衡量标准。
SimpleQA 的实际应用
SimpleQA 的重要性在于其对语言模型事实能力的针对性评估。在许多基准已被最近模型“解决”的环境中，SimpleQA 旨在对 GPT-4 和 Claude 等前沿模型保持挑战性。例如，GPT-4 模型在正确答案方面的得分仅为约 38.4%，突显了该基准在高级模型面临困难领域的探测能力。其他模型，包括 Claude-3.5，表现相似或更差，表明 SimpleQA 在不同模型类型中提出了持续的挑战。
SimpleQA的应用场景包括：
- 模型评估：用于评估和比较不同语言模型在事实性回答上的性能。
- 研究工具：为研究人员提供一个标准化的工具来研究和改进语言模型的事实性。
- 教育和培训：可以用来教育和训练语言模型，使其更加准确和可靠。
- 实际应用测试：在实际部署语言模型之前，测试其在事实性问题上的表现，以确保其输出的可靠性。
结论
SimpleQA 是提高 AI 生成信息可靠性的重要一步。通过专注于基于事实的简短问题，它提供了一个实用、易于使用的基准，有助于评估语言模型的一个关键方面：它们生成一致事实内容的能力。鉴于基准的对抗性设计，SimpleQA 为准确性设定了高标准，鼓励研究人员和开发者创建不仅生成语言而且真实生成的模型。SimpleQA 的开源为 AI 社区提供了一个宝贵的工具，用于评估和提高语言模型的事实准确性，有助于确保未来的 AI 系统既能提供信息又值得信赖。