猫眼影戏
 |
|
猫眼影戏
徐寒飞
手机审查
猫眼影戏记者 姜微 报道Q8X2R7L1T4J5M9B6W3
新智元报道
编辑：LRST
【新智元导读】动态检索增强天生（Dynamic RAG）通过自顺应判断「何时检索」来缓解大语言模子的幻觉问题，但现有要领普遍依赖模子内部信号（logits、entropy、attention等），而LLM自己的信号校准较差，即常对过失谜底「自信满满」 。克日，来自伊利诺伊大学芝加哥分校、纽约大学、与蒙纳士大学的联合团队提出QuCo-RAG，首次跳出「从模子自己内部信号来评估不确定性」的头脑定式，转而用预训练语料的客观统计来量化不确定性，在多跳QA基准上对OLMo系列模子实现5-14个EM点的显著提升，并且有用性乐成迁徙至Llama3、Qwen2.5、GPT4.1/5等预训练数据未果真的模子 。
当检索增强天生（RAG）从静态走向动态，一个焦点问题浮出水面：何时该触发检索？
现有要领的谜底是：看模子内部信号 。FLARE看句子中的token天生概率，DRAGIN看entropy和attention，ETC看entropy的一阶二阶差分，SeaKR看FFN内部状态……
但这一范式存根天性缺陷：LLM通常校准能力很差，经常对过失输出体现出高置信度 。
DRAGIN vs QuCo-RAG比照 。(a)DRAGIN依赖模子内部信号，过失地将问题中的「Il」标记为高不确定性，却对幻觉出的过失导演名显示低不确定性 。(b) QuCo-RAG通过预训练语料中的零共现检测，准确识别出幻觉 。
DRAGIN在天生过失的导演名「Mario Camerini」时显示低不确定性（Uncertainty < threshold），却对问题中的通俗token「Il」报出高不确定性（Uncertainty = 1.47 > threshold） 。
这就是所谓的「自信地乱说八道」（confident hallucination）——模子不知道自己不知道，内部信号完全失效 。
更根外地，近期理论事情（Kalai & Vempala, 2024）证实：关于有数事实，纵然是完善校准的模子也必需爆发幻觉以维持统计一致性 。
那么，有没有一种要领，能绕过这些不可靠的内部信号？
伊利诺伊大学芝加哥分校、纽约大学、与蒙纳士大学的联合团队提出QuCo-RAG，首次跳出「从模子自己内部信号来评估不确定性」的头脑定式，转而用预训练语料的客观统计来量化不确定性，在多跳QA基准上对OLMo系列模子实现5-14个EM点的显著提升，并且有用性乐成迁徙至Llama3、Qwen2.5、GPT4.1/5等预训练数据未果真的模子 。
论文链接：https://arxiv.org/abs/2512.19134
开源代码：https://github.com/ZhishanQ/QuCo-RAG
QuCo-RAG的焦点洞察是：LLM的事实知识实质上由预训练语料塑造 。
低频实体 = 长尾知识危害：若是一个实体在预训练语料中很少泛起，模子就难以可靠地影象关于它的知识 。
零共现 = 幻觉高危害：若是两个实体在整个预训练语料中从未在同时泛起，那么模子声称的它们之间的关系就缺乏任何证据支持——这险些必定是幻觉 。
更主要的是，这种因果关系是差池称的：
共现 ≠ 准确（两个实体可能以差别关系共现）
零共现 ≈ 幻觉（模子无法可靠地天生训练数据中从未见过的实体关系）
基于这一洞察，QuCo-RAG从「主观内部置信度」转向「客观语料统计」，通过Infini-gram引擎对4万亿token的OLMo-2预训练语料举行毫秒级盘问，实现精准的检索触发 。
QuCo-RAG框架总览 。两阶段检测：天生前知识评估（检查实体频率）+ 运行时声明验证（检查实体共现） 。
QuCo-RAG通过两阶段检测机制量化不确定性：
第一阶段：天生前知识评估（Pre-Generation Knowledge Assessment）在模子最先天生之前，系统首先「诊断」输入问题：
提取问题中的要害实体（如Silas Hardy、Lee Mantle）；
盘问每个实体在4万亿token预训练语料中的泛起频率；
若是平均频率低于阈值（默认1000次），触发检索；
焦点逻辑：低频实体代表「长尾知识」，模子很可能没有可靠影象 。
第二阶段：运行时声明验证（Runtime Claim Verification）
在模子天生历程中，辖档同续监控每个天生的句子：
使用轻量级0.5B模子提取知识三元组（头实体, 关系, 尾实体）；
盘问头尾实体在预训练语料中的共现次数；
若是共现次数为0，触发检索并重新天生；
焦点逻辑：零共现意味着模子正在「无中生有」——编造训练数据中从未泛起过的实体关系 。
毫秒级语料库盘问
怎样在4万亿token的语料库上实现实时盘问？
QuCo-RAG使用Infini-gram引擎——一个基于后缀数组的索引系统，支持对万亿级token语料库的毫秒级频率和共现盘问 。
轻量级三元组提取器
为了最小化开销，团队从GPT-4o-mini蒸馏了一个专用的0.5B三元组提取模子，基于Qwen2.5-0.5B-Instruct微调 。
QuCo-RAG各组件运行时间剖析 。LLM天生占主导（55-74%），Infini-gram盘问仅占18-31%，证实语料库检测引入的开销适度 。
实验效果
周全领先，迁徙能力惊人
OLMo-2全系列5-12点提升
QuCo-RAG在所有模子规模和数据集上均取得最佳性能，EM提升5-12点 。
在2WikiMultihopQA和HotpotQA两大多跳QA基准上，QuCo-RAG在OLMo-2全系列模子（7B、13B、32B）上周全逾越所有baseline：
OLMo-2-7B：+7.4 EM (2Wiki), +5.6 EM (HotpotQA)
OLMo-2-13B：+12.0 EM (2Wiki), +5.3 EM (HotpotQA)
OLMo-2-32B：+9.4 EM (2Wiki), +10.8 EM (HotpotQA)
而基于内部信号的要领（FLARE、DRAGIN、ETC、SeaKR）体现极不稳固，有时甚至不如简朴的单轮检索（SR-RAG） 。
主实验为什么选择OLMo-2？
QuCo-RAG的焦点是使用预训练语料的统计信息 。但一个要害问题是：怎样验证「语料统计」这个信号源自己是有用的？
这就需要一个「匹配语料」设置——即模子的预训练数据必需完全果真，才华准确盘算实体频率和共现统计 。
OLMo-2是现在知足这一条件的高性能代表性开源模子：
提供完整的4万亿token预训练语料
性能与Qwen2.5等主流模子相当
笼罩7B/13B/32B多个规模
这使得OLMo-2成为验证QuCo-RAG焦点假设的理想测试平台 。
跨模子迁徙：署理语料库同样有用
一个要害问题：若是模子的预训练数据不果真怎么办？
研究团队验证了一个主要假设：网络规模的预训练语料库之间保存大宗重叠 。
因此，使用OLMo-2的语料库作为「署理语料库」，同样可以有用指导其他模子 。
QuCo-RAG在Qwen2.5、Llama-3、GPT-4.1、GPT-5等模子上均实现显著提升 。
要害发明：
Qwen2.5-32B：2WikiMultihopQA上提升14.1 EM
GPT-5-chat：2WikiMultihopQA上提升8.7 EM
相比之下，GPT模子自带的Web搜索工具反而低于不检索基线（可能由于网络噪声）
效率剖析：更少检索，更高性能
效率-性能权衡剖析 。QuCo-RAG以最少的token消耗和LLM挪用次数抵达最高EM 。
QuCo-RAG实现了「精准偷袭」式的检索：
平均每个问题仅触发1.70次检索
token消耗仅87个，LLM挪用仅1.84次
而FS-RAG和DRAGIN消耗2-4倍的token，性能却大幅落伍
领域泛化：生物医学问答同样有用
在PubMedQA生物医学问答基准上，QuCo-RAG同样体现精彩：
QuCo-RAG在PubMedQA上抵达66.4%准确率，逾越Wo-RAG 11.2个百分点 。
内部信号要领在这个专业领域袒露出两种失败模式：
太过检索：FLARE平均2.79次检索，token消耗516 。显著高于它在通用领域的检索次数和token消耗 。
检索缺乏：DRAGIN和ETC触发检索的次数显著低于它在通用领域的检索次数 。Acc体现与不检索基线持平 。
QuCo-RAG则两者兼顾：平均0.93次检索，54.9个token，最高准确率 。
深度剖析：为什么实体频率剖析有用？
按实体频率分层的性能剖析 。低频区QuCo-RAG优势显着，高频区优势依然坚持 。
研究团队按实体在语料库中的泛起频率将问题分组，展现了有趣的纪律：
低频区：模子缺乏知识，但内部信号无法识别这种知识缺陷
中频区：模子处于「部分学习」状态，熵等内部信号变得相对有用
高频区：实体频率 ≠ 事实频率——纵然实体常见，它们的特定关系可能有数
这最后一点尤为主要：高频实体让模子「太过自信」，但QuCo-RAG通过共现检测捕获到模子对熟悉实体的过失关系声明 。
深远影响与未来偏向
本文将语料统计确立为模子内部不确定性信号的客观替换计划 。虽然本文聚焦于RAG系统中的检索触发，但这一范式转变在AI清静与鲁棒性领域开发了多个值得探索的研究偏向 。
赋能可信AI应用
实验证实，语料统计比内部信号提供了更可靠的不确定性怀抱 。这种可靠性不但对RAG有价值，还可扩展到更普遍的清静要害使命：
选择性回覆：当缺乏证据支持时，模子可以拒绝回覆
准确性展望：语料统计为天生的声明提供有据可依的置信度评分
从推理时干预到以数据为中心的AI
语料统计剖析能够准确识别模子的知识盲区 。
这一信号可以指导训练数据策划：与其仅在推理时通过检索来填补知识缺口，开发者可以在一连预训练或后训练阶段自动网络低频实体的数据 。类似地，语料统计还可以指导：
合成数据过滤：在纳入训练集之前，用语料统计验证LLM天生的训练样本
模子编辑：区分哪些事实需要定向注入，哪些已被模子可靠学习
范式的延伸偏向
多个研究偏向值得探索：
多语言验证：通过跨语言统计实现多语言场景的不确定性量化
时序动态：使用带时间戳的语料处置惩罚知识演变问题
逾越实体：将要领扩展到事务、关系和数值声明的验证
智能体集成：作为自我验证工具集成到智能系一切中，在执行行动前验证天生内容
理论基础
跨模子迁徙的有用性引发了一些值得思索的问题：为什么署理语料能跨模子族生效？能否形式化地建设「给定语料统计的幻觉概率」的信息论界线？这些问题与LLM中「影象vs泛化」的更普遍讨论相关联 。
参考资料：
https://arxiv.org/abs/2512.19134
秒追ASI
?点赞、转发、在看一键三连?
点亮星标，锁定新智元极速推送！
??时势1：禁漫 男男
??01月06日,全球首个整车级无线网络仿真实验室在渝投用,
实现同心县经济社会跨越式生长，重点在农村，难点也在农村 。我县地处宁夏中部干旱带焦点区，严酷的自然条件制约了我县快速生长，怎样变被动为自动，化倒运为优势是摆在全县人民眼前的头等大事 。去年以来，县委在认真剖析县情的基础上，对我县举行重新定位，提出要把同心县建设成为具有浓郁回族风情的生态商贸旅游县，围绕这一目的，确定了实验 “ 六大工程 ” 的事情思绪，明确了同心经济社会跨越式生长的详细要求 。农村经济作为县域经济的主要组成部分，也必需要调解思绪，转变看法，战胜难题，施展优势，这样才华与县委的生长战略坚持一致 。这就要求村干部必需具有以下几个方面的能力，才华顺应农村新形势的要求 。下面，我就围绕 “ 怎样当好村干部 ”这个主题，给各人提几点希望和要求 。
,一区免费视频在线观看 。??01月06日,看熊猫、写书法、赴家宴 美国青少年石家庄感受待客之道,
这是他的生气，恐怖无比，自然溢出，犹如一个大火炉，又像是一尊紫光耀眼的神祇，令人不敢靠近，只能瞻仰 。
,高岭家的二轮花动漫在线观看樱花,亚洲影视第一页,永久黄色地址网站 。??时势2：在线视频永久免费caopo4
??01月06日,西安强化新型工业化“新支撑” 产业发展向“新”而“兴”,
时间转眼六年即将已往，你们即将脱离x，这里的一切将收录在你们童年优美的影象之中！你们即将转身脱离母校！在这个不忍离别的特别的时刻到来之前，我们应该做些什么呢？
,51avi香蕉视频,免费性视频,珍妮撕开内衣 吸奶头 。??01月06日,坦桑尼亚留学生：坦中关系是兄弟情谊，我愿做推动非中交流的桥梁｜世界观,
三、本学期事情要点
,强制高潮调教无码视频,可以在线观看的av网站,人人插人人爽黄色一级片 。??时势3：美女色色色色色网
??01月06日,台退将吁“驱逐‘台独’” 国台办：展现黄埔人对统一的执着追求,
“有意思的小家伙，真想探讨吗？这样吧，老头子我添个彩头，我这里有一罐很稀珍的凶兽真血，谁赢就给谁 。”老者微笑道，此后看向了中年人 。
,欧美巨屌性爱,久久综合免费视频,扒开 狂揉 喷水视频男男 。??01月06日,“炸弹卡车”歼-16 再现“鳄鱼翻滚”,
2、节能降耗和现场清静文明生产、定置治理较为落伍 。整年累计爆发工伤事故多起，生产车间时常泛起长明灯、物品乱拿乱放等征象，主要是员工清静意识和责任心不强，中高层向导干部责任心不到位，不可妥善解决种种巨细问题，或不具备处置惩罚应对重大时势的能力 。
,剥开男人尿孔虐铃口男男动漫,18进禁网站免费入口,国产网友自拍 。??时势4：崩铁涩涩同人 网站
??01月06日,四川将拓展向西开放新空间 建设中欧班列成都集结中心,
“阿叔，再捉的话它们就要惊逃了，以后可能再也不会回来了，等我驯服这头独角兽，好好待它，让它感受到我们的善意，以后说未必其他独角兽见到后也会自动靠近我们 。”
,美女视频曰本网站二区,曰本黄色视频网,欧美黑人巨大XXXXX视频 。??01月06日,美国芝加哥一警察下班后遭枪击身亡 市长：感到悲痛,
当狂风雨止住时，已经到了黄昏，乌云散尽，山中巨树折断，洪流滔滔，山石翻腾，许多地方化成了大泽 。
,少女啪啪A∨,色网址你懂,最近2019年好看的中文字幕视频 。【日本有意加强对包括俄中在内一些国家的出口管制 商务部回应】
责编：何超欣
审核：熊玉君
责编：杨树人
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
