斯坦福大學的研究人員利用維基百科數據訓練了一個大模型，命名為WikiChat，通過優(yōu)化和改進，成功解決了大模型的幻覺問題，并在事實準確性和其他指標上表現優(yōu)秀。他們的最佳模型在新的基準測試中獲得了97.3%的事實準確性，遠遠超過了GPT-4的66.1%。此外，WikiChat還在相關性、信息性、自然性、非重復性和時間正確性方面領先其他模型。

　　為了解決幻覺問題，研究人員采用了檢索增強生成(RAG)的方法，并添加了幾個重要步驟來進一步減輕幻覺，并改進對話性指標。通過這些優(yōu)化，WikiChat在事實準確性方面比微調后的SOTA RAG模型Atlas高出8.5%。此外，研究人員還將基于GPT-4的WikiChat提煉成7B參數的LLaMA模型，這個模型在事實準確性方面能達到91.1%的高分，并且運行速度提高了6.5倍，能效更好，可以本地部署。

　　然而，解決大模型的幻覺問題并不容易。一般情況下，當檢索不到相關信息或知識庫中沒有相關信息時，大模型會產生幻覺來填補空白。為了解決這個問題，WikiChat通過匯總和過濾檢索到的信息，而不是直接生成響應。同時，研究人員還教導了LLM理解時間背景，以及在必要時讓系統(tǒng)說「我不知道」。

　　通過結合大模型和維基百科數據，研究人員成功地提高了聊天機器人的性能。WikiChat的成功表明，維基百科數據在大模型訓練中發(fā)揮了重要作用，通過檢索增強生成的方法，可以有效解決大模型的幻覺問題，提高模型的事實準確性和對話性能。