9 月 13 日消息，科技媒體 maginative 昨日（9 月 12 日）發布博文，報道谷歌公司基于谷歌數據共享（Data Commons）中的真實世界統計數據，推出了開放權重 Gemma 模型的新版本 DataGemma。

語言模型當前面臨的一大難題就是幻覺（Hallucinations），尤其是大語言模型（LLMs）在處理數值或統計數據時，這一問題變得尤為棘手，因此精確性至關重要。

谷歌的 Data Commons 是一個存儲庫，匯集了來自聯合國和疾病控制與預防中心等可信組織收集的超過 2400 億個數據點。

通過利用這一龐大的統計數據集，基于 Gemini 的 DataGemma 能夠顯著提升模型準確性，確保其輸出基于真實可信的現實世界信息。

DataGemma 方法的核心在于兩種關鍵技術：檢索交錯生成（RIG）和檢索增強生成（RAG）。這兩種方法通過在生成過程中將模型基于現實世界數據，從而減少幻覺現象。

簡要介紹兩項技術如下：

RIG：

通過主動查詢可信來源，再生成回答的方式運作。在接收到提示詞之后，DataGemma 會識別查詢中的統計數據點，并從數據共享平臺獲取準確信息。

例如，若被問及“全球可再生能源的使用量是否有所增加？”，該模型會在回答中穿插實時統計數據，確保事實準確性。

RAG：

在生成回答之前，會從數據共享平臺檢索相關信息，進一步提升了回答的質量。借助其長上下文窗口（由 Gemini 1.5 Pro 實現），DataGemma 確保了回答的全面性，引入了表格和腳注以提供更深層次的上下文，從而減少了虛構內容的出現。

谷歌對 RIG 和 RAG 的研究尚處于初期階段，但初步成果令人鼓舞。通過將現實世界數據嵌入回復中，DataGemma 模型在處理數值事實和統計查詢方面展現出顯著提升。研究團隊已發表論文詳述其方法，強調這些技術如何幫助 LLMs 判斷何時依賴外部數據與內部參數。