हैलुसिनेशन उन्मूलन के लिए पूर्वनिर्धारित रुखों के साथ प्रतिवादित बहस LLMs की

बड़े भाषा मॉडल (LLMs) विभिन्न प्राकृतिक भाषा संसाधन कार्यों में उत्कृष्ट हैं लेकिन हैलुसिनेशन की समस्याओं का सामना करते हैं। मौजूदा समाधान LLMs की अंतर्निहित तर्क क्षमता का उपयोग हैलुसिनेशन को कम करने के लिए कर चुके हैं, जैसे कि स्व-संशोधन और विविध नमूना विधियाँ। हालांकि, ये तरीके अक्सर LLMs के प्रारंभिक उत्तरों पर अत्यधिक भरोसा करते हैं क्योंकि इनमें स्वाभाविक पक्षपात होता है। इस समस्या को कम करने की कुंजी LLMs के उत्तर निरीक्षण के लिए अंतर्निहित पक्षपात को ओवरराइड करना है। इसके लिए, हमने एक कंट्राफैक्चुअल मल्टी-एजेंट डिबेट (CFMAD) फ्रेमवर्क प्रस्तावित किया है। CFMAD LLMs के पूर्वनिर्धारित रुखों को सेट करता है ताकि उनके स्वाभाविक पक्षपात को ओवरराइड किया जा सके और LLMs को एक पूर्वनिर्धारित उत्तर की सटीकता के लिए औचित्य बनाने के लिए मजबूर किया जा सके। विभिन्न पूर्वनिर्धारित रुख वाले LLMs को एक संदेहपूर्ण समालोचक के साथ संलग्न किया जाता है जो उत्पन्न औचित्यों की तर्कसंगतता पर प्रतिवाद करता है। अंत में, बहस की प्रक्रिया को तीसरे पक्ष के न्यायाधीश द्वारा मूल्यांकन किया जाता है ताकि अंतिम उत्तर निर्धारित किया जा सके। तीन कार्यों के चार डेटासेट पर व्यापक प्रयोग CFMAD की मौजूदा तरीकों पर श्रेष्ठता को दर्शाते हैं।