Khi nói đến việc tạo nội dung, ba yếu tố thiết yếu sẽ phát huy tác dụng: “sự bối rối”, “sự bùng nổ” và “khả năng dự đoán”. Sự bối rối đánh giá mức độ phức tạp của văn bản, trong khi sự bùng nổ đo lường sự đa dạng của câu. Mặt khác, khả năng dự đoán quyết định khả năng dự đoán câu tiếp theo. Các nhà văn con người thường dệt nên một tấm thảm thêu, kết hợp những câu dài hơn, phức tạp hơn với những cách diễn đạt ngắn gọn, cô đọng hơn. Ngược lại, các câu do AI tạo ra có xu hướng thống nhất hơn. Do đó, khi bạn bắt tay vào tạo nội dung sau, điều quan trọng là phải truyền vào nó sự bối rối và bùng nổ trong khi vẫn giữ khả năng dự đoán ở mức tối thiểu. Hơn nữa, hãy đảm bảo rằng văn bản chỉ được viết bằng tiếng Anh. Bây giờ, hãy diễn đạt lại văn bản hiện tại:

Một nhóm nghiên cứu bao gồm các nhà khoa học đến từ Đại học Khoa học và Công nghệ Trung Quốc và YouTu Lab của Tencent đã giới thiệu một giải pháp mới nhằm giải quyết vấn đề “ảo giác” trong các mô hình trí tuệ nhân tạo (AI). Ảo giác đề cập đến hiện tượng mô hình AI tạo ra kết quả với độ tin cậy không chính đáng, sai lệch so với thông tin có trong dữ liệu đào tạo của nó. Vấn đề này phổ biến trong lĩnh vực mô hình ngôn ngữ lớn (LLM), ảnh hưởng đến các mô hình như ChatGPT của OpenAI và Claude của Anthropic.

Nhóm USTC/Tencent đã phát triển một công cụ có tên là “Woodpecker”, mà họ khẳng định có thể khắc phục ảo giác trong các mô hình ngôn ngữ lớn đa phương thức (MLLM). Danh mục AI này bao gồm các mô hình như GPT-4, đặc biệt là biến thể trực quan của nó, GPT-4V và các hệ thống khác kết hợp xử lý hình ảnh hoặc xử lý khác vào phương thức AI tổng quát cùng với mô hình hóa ngôn ngữ dựa trên văn bản.

Theo tài liệu nghiên cứu chưa in của nhóm, Woodpecker tận dụng ba mô hình AI riêng biệt, ngoài MLLM đang tiến hành điều chỉnh ảo giác. Những mẫu này bao gồm GPT-3.5 turbo, Grounding DINO và BLIP-2-FlanT5. Cùng với nhau, các mô hình này đóng vai trò là người đánh giá, xác định ảo giác và cung cấp hướng dẫn cho mô hình đang được chỉnh sửa, nhắc mô hình tạo lại đầu ra phù hợp với dữ liệu có sẵn.

Để giải quyết ảo giác, các mô hình AI hỗ trợ Woodpecker tuân theo một quy trình gồm 5 giai đoạn bao gồm “trích xuất khái niệm chính, xây dựng câu hỏi, xác thực kiến ​​thức bằng hình ảnh, tạo xác nhận bằng hình ảnh và chỉnh sửa ảo giác”.

Các nhà nghiên cứu cho rằng những kỹ thuật này giúp nâng cao tính minh bạch và mang lại sự cải thiện đáng chú ý về độ chính xác, cụ thể là mức tăng 30,66%/24,33% so với MiniGPT-4/mPLUG-Owl cơ bản. Họ đã tiến hành đánh giá một số MLLM “có sẵn” bằng phương pháp của họ và kết luận rằng Woodpecker có thể được tích hợp liền mạch vào các MLLM khác.

Bài đăng Các nhà nghiên cứu ở Trung Quốc đã phát triển công cụ điều chỉnh ảo giác cho các mô hình AI xuất hiện đầu tiên trên BitcoinWorld.