Studie zeigt: LLMs erkennen ihre eigenen Fehler

MÜNCHEN (IT BOLTWISE) – Eine neue Studie zeigt, dass Large Language Models (LLMs) ihre eigenen Fehler erkennen können und tiefere Einblicke in Korrektheit und Wahrheit besitzen als bisher angenommen.

Ein häufiges Problem bei großen Sprachmodellen (LLMs) ist das sogenannte „Halluzinieren“ – die Generierung von falschen oder unlogischen Antworten. Bisherige Forschung hat sich hauptsächlich auf die Auswirkungen dieser Fehler aus Nutzersicht konzentriert. Eine neue Studie von Forschern des Technion, Google Research und Apple geht jedoch einen Schritt weiter und untersucht, inwiefern LLMs selbst Signale zur Wahrheitserkennung kodieren.

Die Forscher definierten „Halluzinationen“ als Sammelbegriff für alle Arten von LLM-Fehlern, darunter faktische Ungenauigkeiten, Verzerrungen und Fehler im logischen Schlussfolgern. Im Gegensatz zu bisherigen Untersuchungen, die das Nutzerverhalten analysierten, fokussiert sich die Studie auf interne Mechanismen der Modelle.

Bisherige Arbeiten zur Fehlererkennung beschränkten sich oft auf die Analyse des letzten Tokens der Antwort oder des Prompts. Diese neue Studie analysiert hingegen sogenannte „exakte Antwort-Token“ – jene Tokens, die, wenn verändert, die Korrektheit der Antwort beeinflussen würden. Die Ergebnisse zeigen, dass Informationen zur Korrektheit hauptsächlich in diesen exakten Antwort-Tokens konzentriert sind. Dies konnte anhand von Experimenten mit vier Varianten der Modelle Mistral 7B und Llama 2 und 10 verschiedenen Datensätzen belegt werden.

Um Halluzinationen vorherzusagen, trainierten die Forscher sogenannte „Probierklassifikatoren“, die auf den internen Aktivierungen der LLMs basieren. Diese Klassifikatoren konnten zuverlässig feststellen, ob die generierten Antworten fehlerhaft waren. Interessanterweise zeigte die Studie, dass diese Klassifikatoren nur innerhalb bestimmter Aufgaben generalisierbar waren, etwa bei faktischer Recherche oder logischem Denken, jedoch nicht zwischen grundlegend verschiedenen Aufgaben wie Stimmungsanalyse und Faktenabruf.

Die Forscher stellten fest, dass Modelle ihre Fehler durch „mehrdimensionale“ Repräsentationen kodieren. Dies bedeutet, dass LLMs verschiedene Mechanismen für verschiedene Wahrheitsdimensionen nutzen. In einigen Fällen konnte das Modell die richtige Antwort intern erkennen, gab aber dennoch eine falsche Antwort aus. Dies könnte darauf hindeuten, dass bestehende Evaluationsmethoden, die sich nur auf das Endergebnis stützen, das volle Potenzial der Modelle nicht widerspiegeln.

Die Erkenntnisse könnten helfen, effektivere Strategien zur Fehlervermeidung zu entwickeln. Obwohl solche Techniken derzeit auf offene LLM-Modelle beschränkt sind, könnten die gewonnenen Einsichten auch in zukünftige KI-Entwicklungen einfließen. Die Studie reiht sich in eine wachsende Forschungsbewegung ein, die sich darauf konzentriert, die internen Mechanismen großer Sprachmodelle zu verstehen. Zu den führenden Forschungseinrichtungen auf diesem Gebiet zählen unter anderem OpenAI, Anthropic und Google DeepMind.

„Unsere Ergebnisse legen nahe, dass die internen Repräsentationen von LLMs wertvolle Einblicke in deren Fehler liefern und das komplexe Zusammenspiel zwischen internen Prozessen und externen Ausgaben verdeutlichen. Dies könnte den Weg für zukünftige Verbesserungen bei der Fehlererkennung ebnen“, schreiben die Forscher.