你理解的控制LLM幻觉的方法可能是错的

那什么是粗暴的控制LLM的幻觉的方法呢？

正常你们大家学到的应该是

temperature=0

top_k=1

top_p=0.1

类似这种的

但是这种是不是能解决幻觉呢？很显然在做的各位试过，应该是没什么效果的

为什么呢?

正常来讲，我们不是把生成next token的概率放到最大的那个token上了吗？

今天先回忆个概念

LLM是靠什么来决定next_token生成的

就是Logit，就是softmax你的前向计算的最后一层（这么表达不精确，但是你可以认为就算最后一层了）

过了output之后呢？要和词表做一个矩阵乘，得到一个logit，但是这个不能直接用，需要给softmax转换为对应词的概率，就是我刚才的公式

（不理解transformer架构的兄弟可以参考我以前的博文，草履虫也能学懂得Transformer系列

https://mp.weixin.qq.com/s/Qi9-SqTGk5yHkF0WQ1CdYQ?token=1866303267&lang=en_US

如果志在玩大模型，至少目前Transformer还是绕不开的基础）

1- 为什么temperature要设置低

温度采样是一种基本技术，可控制 token 选择的随机性。它的工作原理是在应用 softmax 函数之前缩放 logits（未归一化的预测分数）

其中：

P(xi)是选择 token 

i
i

 的概率

Z i是选择token 

i
i

 的 logit

T就是温度参数了

较低的温度（T < 1）使分布更加尖锐，倾向于高概率 token。较高的温度（T > 1）会使分布变平，增加选择较低概率 token 的机会。

2- TOP P 和K 呢？

这就不仔细讲了，TOP是核采样，就是排序计算累加概率，知道累加概率超过p剩下的就不要了，然后归一化，从里面选出来

TOPK 不用说了把，选K个归一化

一般的理解认为，如果把上述的设置都设置为最严格的

比如设置topK=0，TOP_P=1, 先把这两个参数废掉

然后temperature=0.0 就应该是绝对无幻觉的答案了

如文章开头说的，事实上是不行的，下面讲一下为什么

因为LLM还有两个比较关键的概念，当然你也可以说这俩概念是人为加上的,引入这些概念的就是entropix采样：

第一个注意力熵entropy：

理解语言模型中的熵

在语言模型的上下文中，熵衡量模型预测中的不确定性或随机性。它量化了概率分布在可能的下一个 token 上的分散程度。

其中 pi是第 i 个 token 的概率。

较高的熵值表示模型对下一个 token 不确定，概率分布在许多选项上。相反，较低的熵表示模型更有信心，概率集中在较少的 token 上。

注意力熵方差 (Varentropy)

熵方差（Varentropy），或熵的方差，衡量了在单个位置上，不同可能的 token 之间的信息内容（惊奇度）变化有多大。它提供了对模型不确定性和其对给定上下文的预测多样性的洞察。

熵方差的计算涉及以下步骤：

步骤 1：计算概率和对数概率

使用 softmax 计算当前位置上每个可能的 token 的概率，并计算它们的对数概率。

步骤 2：计算熵

计算当前位置概率分布的熵。

步骤 3：计算熵方差

对于每个可能的 token，计算其信息内容（负对数概率）与平均信息内容（熵）之间的平方差。用它们的概率加权这些差异并将它们加总。

熵方差在识别模型正在考虑惊奇度水平非常不同的 token 的情况时特别有用。高熵方差可能表明上下文复杂或模糊，模型的预测更加多样化或不确定。

在采样决策中的意义

熵和熵方差的组合在 Entropix 的采样策略中起着至关重要的作用。以下是它们如何影响决策过程：

1. 低熵，低熵方差：表示高置信度和一致性。Entropix 在这些情况下可能会使用贪婪采样。

2. 高熵，低熵方差：表明一致的不确定性。这可能会触发插入澄清（clarification insertion）或增加探索。

3. 低熵，高熵方差：表示不同程度的置信度。Entropix 可能会采用探索采样来调查不同的可能性。

4. 高熵，高熵方差：代表高度不确定性和不一致性。这种情况通常会导致使用调整参数的高不确定性采样。

在 Transformer 模型中，注意力通常以多头注意力（multi-head attention）的形式实现。这意味着注意力机制并行应用多次，允许模型同时关注输入的各个不同方面。

Transformer 模型中的每个注意力头计算一组注意力分数，确定在生成每个输出 token 时，要将多少注意力放在输入的不同部分。

注意力熵用于量化注意力在不同 token 上的不确定性或分散程度。

较高的注意力熵表示模型的注意力分散在许多 token 上，而较低的熵表示模型专注于少数特定的 token。

而如果分散在许多token上，也就是所谓的熵分散，代表模型此时根本不知道哪个token更合适

这个时候你比如temperature=0.0，你是选择了一个所谓概率最高的，但是你其实也限制了模型探索的能力，这也是幻觉可能产生的开始

注意力一致性 (Agreement)

注意力一致性衡量不同注意力头之间的注意力模式的一致程度。它通过将每个头的注意力分布与平均注意力分布进行比较来计算

较低的一致性表明不同的头正在关注输入的各个不同方面，这可能表明上下文复杂或模糊。

这是第二个引入幻觉的可能性，因为上下文的理解不确认

我们今天介绍的Entropix 使用这些基于注意力的指标来指导其采样决策。例如：

• 较高的注意力熵可能导致采样中增加探索。

• 较低的注意力一致性可能导致温度或 top-k 参数的调整。

所以大家基本就能看明白了，如果模型不确认哪个token最优，那就增加一些探索的可能性，比如对上下文模糊，那就动态调整模型的配置参数

交互强度 (Interaction Strength)

交互强度定义为 Transformer 模型中所有层、头和位置的注意力分数的绝对值的平均值。在数学上，它可以表示为：

L代表层数，H是注意力头，N是序列长度，Alhji就是第l层第h头种从位置i到位置j的注意力分数

较高的交互强度值表示序列中 token 之间存在更强的关系

交互强度在 Entropix 的自适应采样过程中起着至关重要的作用。它影响采样策略的几个关键方面：

1. 温度调整：较高的交互强度可能导致温度升高，当 token 之间连接紧密时，促进更多样化的输出。

2. Top-k 参数：交互强度用于动态调整 top-k 参数，从而根据 token 关系的强度允许更多或更少的候选 token。

3. 探索与利用：在交互强度较高的场景中，采样策略可能会倾向于更具探索性的行为，以捕获 token 之间复杂的联系。

说白了，我token之间交互强度高，证明我们之间的注意力更高，需要输出更多元化，人话说就是更多探索路径，来捕捉复杂的注意力

下面是entropix的完整采样过程：

如上图所示

数据流和决策过程

Entropix 系统在文本生成过程中遵循特定的流程：

步骤 1：Token 生成

语言模型处理输入 token 并生成 logits 和注意力分数。

步骤 2：指标计算

指标计算器基于模型输出计算熵、熵方差、注意力熵、注意力一致性和交互强度。

步骤 3：策略选择

自适应采样器分析计算出的指标，并选择最合适的采样策略。

步骤 4：参数调整

根据选择的策略和指标，动态调整采样参数（温度、top-k、top-p、min-p）。

步骤 5：Token 采样

应用选择的采样策略来选择下一个 token。

步骤 6：迭代

从步骤 1 开始重复该过程，并加入新生成的 token。

采样策略

Entropix 采样方法的核心是其策略选择逻辑。该系统持续评估模型的输出指标，并为每个 token 生成步骤选择最合适的采样方法。

自适应采样

当 logits 的熵和熵方差没有落入极端类别时（与触发专门采样技术的场景不同），自适应采样策略就会启动。它旨在平衡探索和利用，适应当前的上下文和模型状态

自适应采样过程

步骤 1：计算指标

首先，模型的 logits 和注意力分数中计算各种指标：

• Logits 熵和熵方差

• 注意力熵和熵方差

• 注意力一致性

• 交互强度

步骤 2：调整采样参数

基于这些指标，动态调整采样参数：

• 温度

• Top-p（核采样阈值）

• Top-k

• 最小概率阈值 (min_p)

步骤 3：生成多个样本

使用调整后的参数生成多个候选 token。样本数量是可配置的，默认为 12。（现在不是流行带搜索的中间过程吗，你可以理解为带搜索的token生成

）

步骤 4：样本评分

每个样本都根据两个因素评分：

1. 来自模型 logits 的对数概率

2. 从计算出的指标导出的置信度分数

步骤 5：选择最佳样本

得分最高的样本被选为最终输出 token。

生成多个样本后，每个样本都使用对数概率和置信度分数的组合进行评分：

def score_sample(sample):    log_prob = jnp.sum(jax.nn.log_softmax(logits) * jax.nn.one_hot(sample, logits.shape[-1]))    confidence_score = (        (1 - metrics["logits_entropy"]) * 0.1 +        (1 - metrics["attn_entropy"]) * 0.2 +        (1 - metrics["logits_varentropy"]) * 0.3 +        (1 - metrics["attn_varentropy"]) * 0.4 +        metrics["agreement"] * 0.5 +        metrics["interaction_strength"] * 0.6    )    return log_prob + confidence_score

此评分函数平衡了 token 的可能性（log_prob）和从各种指标导出的置信度度量。置信度分数中每个组件的权重可以根据经验结果进行调整。

现在回到最开始我们说的集中情况来分析：

1-如果熵和熵方差都非常低时，模型对其预测非常有信心。在这种情况下，使用贪婪采样，说白了模型知道它在干什么，它对自己的答案也足够确认，那就选择概率最高的，就是标准的logit

2- 如果熵高，但是熵方差低，证明模型是不确定的，但是其不确定性是一致的，所以需要澄清

这个澄清就是以特殊token的形式

如果插入了澄清token，那么下一个token就会动态调整temperature，用更高的温度拿到更大的多样性，来进行采样，找到最合理的token！

其实某种程度上有点像李飞飞的S1的wait token

3- 另外如果，模型熵很低，证明它很确认，但是熵的方差高，就证明它本身就看到了很多不同的可能性，那采样的temperature就直接升高（基于交互强度指标）就可以了，top k当然也顺手就给升了

4- 如果熵和熵方差都高，记忆是又不确定，又看到了好多的可能性，那就直接下猛药，但是其实和3的请款一样，也是升temperature，但是是基于熵方差的强度来调整temperature，而不是注意力一致性，另外此时因为熵升高，所以要降低top-p的参数来让它收敛

这就是entropix的思路，通过动态的采样参数和澄清token来实现fitting化的采样保证模型的输出更合理化，更少幻觉

其实entropix的思路在OAI的o系列是有引入类似的概念的

比如你们使用o系列api就会发现一个申请的问题，temperature和top p k都不允许设置

原因就是来自于这

所以大家理解了为什么temperature=0.0和有没有幻觉并没有本质联系的原因了吗？