« Factualité étendue » : différence entre les versions


(Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' XXXXXXXXX ''' == Anglais == ''' Long-form factuality ''' Large language models (LLMs) often generate content that contains factual errors when responding to fact-seeking prompts on open-ended topics. To benchmark a model's long-form factuality in open domains, we first use GPT-4 to generate LongFact, a prompt set comprising thousands of questions spanning 38 topics. We then propose that LLM... »)
 
m (Patrickdrouin a déplacé la page Long-form factuality vers Factualité étendue)
 
(4 versions intermédiaires par 2 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
==en construction==
== Définition ==
La factualité étendue désigne la propriété qu'un longue réponse générée par un [[robot conversationnel génératif]] contienne que des faits avérés (aussi appelés des éléments factuels).


== Définition ==
== Compléments ==  
XXXXXXXXX
La vérification des faits contenus dans une longue réponse est réalisée par différents algorithmes, dont le SAFE (Search-Augmented Factuality Evaluator) ou bien par la vérification des faits en utilisant la [[génération augmentée d'information applicative|génération augmentée d'information applicative]].


== Français ==
== Français ==
''' XXXXXXXXX '''
''' factualité étendue '''


== Anglais ==
''' factualité d'un long énoncé'''
''' Long-form factuality '''


Large language models (LLMs) often generate content that contains factual errors when responding to fact-seeking prompts on open-ended topics. To benchmark a model's long-form factuality in open domains, we first use GPT-4 to generate LongFact, a prompt set comprising thousands of questions spanning 38 topics. We then propose that LLM agents can be used as automated evaluators for long-form factuality through a method which we call Search-Augmented Factuality Evaluator (SAFE). 
''' factualité longue'''
SAFE utilizes an LLM to break down a long-form response into a set of individual facts and to evaluate the accuracy of each fact using a multi-step reasoning process comprising sending search queries to Google Search and determining whether a fact is supported by the search results. Furthermore, we propose extending F1 score as an aggregated metric for long-form factuality. To do so, we balance the percentage of supported facts in a response (precision) with the percentage of provided facts relative to a hyperparameter representing a user's preferred response length (recall).
 Empirically, we demonstrate that LLM agents can achieve superhuman rating performance - on a set of ~16k individual facts, SAFE agrees with crowdsourced human annotators 72% of the time, and on a random subset of 100 disagreement cases, SAFE wins 76% of the time. At the same time, SAFE is more than 20 times cheaper than human annotators. 


== Anglais ==
''' long-form factuality '''


== Source ==
== Sources ==


[https://huggingface.co/papers/2403.18802    Source : huggingface]
[https://huggingface.co/papers/2403.18802    Source : huggingface]




 
[[Catégorie:Publication]]
[[Catégorie:vocabulary]]

Dernière version du 27 mai 2025 à 15:26

Définition

La factualité étendue désigne la propriété qu'un longue réponse générée par un robot conversationnel génératif contienne que des faits avérés (aussi appelés des éléments factuels).

Compléments

La vérification des faits contenus dans une longue réponse est réalisée par différents algorithmes, dont le SAFE (Search-Augmented Factuality Evaluator) ou bien par la vérification des faits en utilisant la génération augmentée d'information applicative.

Français

factualité étendue

factualité d'un long énoncé

factualité longue

Anglais

long-form factuality

Sources

Source : huggingface

Récupérée de « https://datafranca.org/wiki/index.php?title=Factualité_étendue&oldid=112878 »

Contributeurs: Arianne , Patrick Drouin, wiki