Your Finetuned Large Language Model is Already a Powerful Out-of-distribution Detector

本文是LLM系列文章，针对《Your Finetuned Large Language Model is Already a Powerful Out-of-distribution Detector》的翻译。

摘要

我们重新审视了预训练的大型语言模型（LLM）与其微调变体之间的似然比，作为分布外（OOD）检测的标准。这种标准背后的直觉是，预训练的LLM由于其大量的训练数据而具有关于OOD数据的先验知识，一旦与分布内数据进行了微调，LLM就有足够的知识来区分它们的差异。利用LLM的强大功能，我们首次证明似然比可以作为一种有效的OOD检测器。此外，我们应用所提出的基于LLM的似然比来检测问答（QA）系统中的OOD问题，这可用于提高专业LLM对一般问题的性能。鉴于当代神经网络框架内的损失函数可以很容易地获得可能性，因此在实践中实现这种方法很简单。由于预训练的LLM及其各种微调模型都是可用的，因此我们提出的标准可以毫不费力地用于OOD检测，而不需要进一步的训练。我们对多种设置进行了全面评估，包括远OOD、近OOD、垃圾邮件检测和QA场景，以证明该方法的有效性。

1 引言

2 背景和前言

3 作为OOD代理的预训练大型语言模型

4 QA系统的似然比OOD检测

5 实验和结果

6 讨论

7