Name: ضبط نماذج اللغة الكبيرة بدقة باستخدام مؤشر هلوسة الكيان لتلخيص النص (فيديو) | JoVE Journal
Uploaded: 2026-01-09T13:45:00.000+00:00
Duration: 4 min 16 s
Description: اكتشف إطار ضبط دقيق لنماذج اللغة الكبيرة باستخدام مؤشر هلوسة الكيان كإشارة مكافأة لتقليل الكيانات غير الصحيحة في التلخيصات. يحسن الدقة الواقعية دون فقدان المعلوماتية.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Maynez, J., Narayan, S., Bohnet, B., McDonald, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((On+faithfulness+and+factuality+in+abstractive+summarization%5BTitle%5D)+AND+%22Proc+Annu+Meet+Assoc+Comput+Linguist%22%5BJournal%5D)">On faithfulness and factuality in abstractive summarization.</a> Proc Annu Meet Assoc Comput Linguist. 2020, 173-173 (2020).</li>
<li>FEQA: A question answering evaluation framework for faithfulness assessment in abstractive summarization. Durmus, E., He, H., Diab, M. Proc Conf Empir Methods Nat Lang Process, , 454-454 (2020).</li>
<li>A short summary of automatic summarization. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22NLG+Blog%22">NLG Blog</a>. , Andong. https://andongluis.github.io/nlg-blog/Summarization-post/ (2018).</li>
<li>Understanding factuality in abstractive summarization. Pagnoni, A., Padmakumar, V., May, J. Proc Conf North Am Chapter Assoc Comput Linguist Hum Lang Technol, 2021, 4812-4829 (2021).</li>
<li>Lin, C. Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ROUGE%3A+A+package+for+automatic+evaluation+of+summaries%5BTitle%5D)+AND+%22Workshop+Text+Summarization+Branches+Out%22%5BJournal%5D)">ROUGE: A package for automatic evaluation of summaries.</a> Workshop Text Summarization Branches Out. 2004, 74-81 (2004).</li>
<li>Evaluating the factual consistency of abstractive text summarization. Kryściński, W., McCann, B., Xiong, C., Socher, R. Proc Conf Empir Methods Nat Lang Process, 2020, 750-750 (2020).</li>
<li>Goyal, T., Durmus, E., Cardie, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fact+checking+summarization+with+self+supervised+and+few+shot+learning%5BTitle%5D)+AND+%22Proc+Annu+Meet+Assoc+Comput+Linguist%22%5BJournal%5D)">Fact checking summarization with self supervised and few shot learning.</a> Proc Annu Meet Assoc Comput Linguist. 2022, 564-579 (2022).</li>
<li>QuestEval: Summarization asks for fact-based evaluation. Scialom, T., Dray, P. A., Lamprier, S., Piwowarski, B., Staiano, J., Wang, A., Gallinari, P. Proc Conf Empir Methods Nat Lang Process, 2021, 6594-6604 (2021).</li>
<li>Mukesh, K. Hallucinations in abstractive summarization. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMukesh%2C+K+%22Medium%22">Medium</a>. , https://medium.com/@mukesh.kr/hallucinations-in-abstractive-summarization-b5904bc1c5c5 (2023).</li>
<li>Factual error correction for abstractive summarization models. Cao, M., Dong, Y., Wu, J., Cheung, J. C. K. Proc Conf Empir Methods Nat Lang Process, 2020, 6251-6258 (2020).</li>
<li>Yan, E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aYan%2C+E+%22Evaluation+%26+hallucination+detection+for+abstractive+summaries%22">Evaluation & hallucination detection for abstractive summaries</a>. , https://eugeneyan.com/writing/abstractive-summarization-evaluation/ (2021).</li>
<li>Uekawa, A. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aUekawa%2C+A+%22Evaluation+metrics+for+summarization%22">Evaluation metrics for summarization</a>. , https://dev.to/akuer/evaluation-metrics-for-summarization-1d7f (2023).</li>
<li>Honnibal, M., Montani, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((spaCy+2%3A+Natural+language+understanding+with+Bloom+embeddings+convolutional+neural+networks+and+incremental+parsing%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">spaCy 2: Natural language understanding with Bloom embeddings convolutional neural networks and incremental parsing.</a> Zenodo. , (2017).</li>
<li>Reinforcement learning from human feedback: Aligning large language models. , At
 <a target="_blank" href="https://neptune.ai/blog/reinforcement-learning-from-human-feedback">https://neptune.ai/blog/reinforcement-learning-from-human-feedback</a> (2023).</li>
<li>Shakil, H., Farooq, A., Kalita, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Abstractive+text+summarization%3A+State+of+the+art%2C+challenges%2C+and+improvements%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Abstractive text summarization: State of the art, challenges, and improvements.</a> Neurocomputing. 603, 128255-128255 (2024).</li>
<li>AI, Z. Reducing LLM hallucinations: A developer's guide. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aAI%2C+Z+%22GetZep%22">GetZep</a>. , https://www.getzep.com/ai-agents/reducing-llm-hallucinations/ (2025).</li>
<li>Ouyang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Training+language+models+to+follow+instructions+with+human+feedback%5BTitle%5D)+AND+%22Adv+Neural+Inf+Process+Syst%22%5BJournal%5D)">Training language models to follow instructions with human feedback.</a> Adv Neural Inf Process Syst. 2022, 27730-27744 (2022).</li>
<li>Entity hallucination index in abstractive summarization-A metric. Praveenkumar, K., Balbantaray, R. C., Vittala, K. P. Proc Int Conf Commun Circuits Syst, 2023, 1-5 (2023).</li>
<li>Multi-reward reinforced summarization with saliency and entailment. Pasunuru, R., Bansal, M. Proc Conf North Am Chapter Assoc Comput Linguist Hum Lang Technol, 2018, 646-653 (2018).</li>
<li>Williams, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simple+statistical+gradient-following+algorithms+for+connectionist+reinforcement+learning%5BTitle%5D)+AND+%22Mach+Learn%22%5BJournal%5D)">Simple statistical gradient-following algorithms for connectionist reinforcement learning.</a> Mach Learn. 8 (3-4), 229-256 (1992).</li>
<li>Katwe NLP. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22EHI_XLSUM_XSUM_Finetuning%22">EHI_XLSUM_XSUM_Finetuning</a>. , GitHub. https://github.com/katweNLP/EHI_XLSUM_XSUM_Finetuning (2025).</li>
<li>ELITR minuting corpus: A novel dataset for automatic minuting from multi-party meetings in English and Czech. Nedoluzhko, A., Singh, M., Hledíková, M., Ghosal, T., Bojar, O. Proc Int Conf Lang Resour Eval (LREC), 2022, 2623-2632 (2022).</li>
<li>Don't give me the details, just the summary! Topic aware convolutional neural networks for extreme summarization. Narayan, S., Cohen, S. B., Lapata, M. Proc Conf Empir Methods Nat Lang Process, 2018, 1797-1807 (2018).</li>
<li>Lewis, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Denoising+sequence+to+sequence+pre+training+for+natural+language+generation%2C+translation%2C+and+comprehension%5BTitle%5D)+AND+%22Proc+Annu+Meet+Assoc+Comput+Linguist%22%5BJournal%5D)">Denoising sequence to sequence pre training for natural language generation, translation, and comprehension.</a> Proc Annu Meet Assoc Comput Linguist. 2020, 7871-7880 (2020).</li>
<li>Chung, H. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Scaling+instruction+fine-tuned+language+models%5BTitle%5D)+AND+%22J+Mach+Learn+Res%22%5BJournal%5D)">Scaling instruction fine-tuned language models.</a> J Mach Learn Res. 25 (1), 1-53 (2024).</li>
<li>Jiang, A. Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mistral+7B%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Mistral 7B.</a> arXiv. , (2023).</li>
<li>Chandra, C., Ojima, Y., Bendarkar, M. V., Mavris, D. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aviation+BERT+NER%3A+Named+entity+recognition+for+aviation+safety+reports%5BTitle%5D)+AND+%22Aerospace%22%5BJournal%5D)">Aviation BERT NER: Named entity recognition for aviation safety reports.</a> Aerospace. 11 (11), 890-890 (2024).</li>
<li>Lim, D. S. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLim%2C+DS+%22bert-base-NER%22">bert-base-NER</a>. , https://huggingface.co/dslim/bert-base-NER (2021).</li>
<li>Adam: A method for stochastic optimization. Kingma, D. P., Ba, J. Int Conf Learn Represent, , (2015).</li>
<li>QAGS: Evaluating question answering and generation for summarization. Wang, A., Cho, K. Proc Conf Empir Methods Nat Lang Process, 2020, 390-402 (2020).</li>
<li>Patil, S. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aPatil%2C+S+%22valhalla%2Ft5-small-qg-hl%22">valhalla/t5-small-qg-hl</a>. , https://huggingface.co/valhalla/t5-small-qg-hl (2020).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22deepset%2Froberta-base-squad2%22">deepset/roberta-base-squad2</a>. , Deepset GmbH. https://huggingface.co/deepset/roberta-base-squad2 (2020).</li>
<li>Factually consistent summarization via reinforcement learning with textual entailment feedback. Roit, P., et al. Proc Annu Meet Assoc Comput Linguist, 2023, 8027-8044 (2023).</li>
<li>Hallucination diversity aware active learning for text summarization. Xia, Y., et al. Proc Conf North Am Chapter Assoc Comput Linguist Hum Lang Technol, 2024, 3885-3900 (2024).</li>
<li>Wei, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TruthRL%3A+Incentivizing+truthful+large+language+models+via+reinforcement+learning%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">TruthRL: Incentivizing truthful large language models via reinforcement learning.</a> arXiv. , (2025).</li>
</ol>

<table><tbody><tr><td>Colab NVIDIA A100 GPU</td><td>NVIDIA</td><td>N/A</td><td>Google Colaboratory Pro</td></tr><tr><td>DistilBART (Encoder&ndash;Decoder)</td><td>Hugging Face</td><td>https://huggingface.co/sshleifer/distilbart-cnn-12-6</td><td></td></tr><tr><td>dslim/bert-base-NER</td><td>Hugging Face (dslim)</td><td>https://huggingface.co/dslim/bert-base-NER</td><td>Fine-tuned BERT base for English NER</td></tr><tr><td>Evaluation Models&nbsp; QAGS (QA-based)</td><td>Salesforce Research</td><td>N/A</td><td>Factuality classifier</td></tr><tr><td>Evaluation Models (Factuality) FactCC</td><td>Google Research</td><td>N/A</td><td>Factuality classifier</td></tr><tr><td>Flan-T5 (Encoder&ndash;Decoder)</td><td>Google</td><td>https://huggingface.co/docs/transformers/main/en/model_doc/flan-t5</td><td>open-source, text-to-text, large language model</td></tr><tr><td>Hugging Face Transformers</td><td>Hugging Face, Inc.</td><td>https://huggingface.co/docs/transformers/index</td><td>Model loading &amp; fine-tuning</td></tr><tr><td>Nous-Hermes-2-Mistral-7B-DPO</td><td>Mistral</td><td>https://huggingface.co/NousResearch/Nous-Hermes-2-Mistral-7B-DPO</td><td>7 billion parameter Language model</td></tr><tr><td>Programming Language Python 3.10 (Colab runtime)</td><td>Python Software Foundation</td><td>Version 3.10</td><td>Core implementation</td></tr><tr><td>Streamlit</td><td>Open Source&nbsp;</td><td>https://streamlit.io/</td><td>Factuality classifier</td></tr><tr><td>XLSUM dataset</td><td>BUET</td><td>https://github.com/csebuetnlp/xl-sum</td><td></td></tr><tr><td>XSUM dataset</td><td>University of Edinburgh</td><td>https://github.com/EdinburghNLP/XSum</td><td></td></tr></tbody></table>

ضبط نماذج اللغة الكبيرة بدقة باستخدام مؤشر هلوسة الكيان لتلخيص النص

Fine-Tuning Large Language Models Using Entity Hallucination Index for Text Summarization

Recent advancements in large language models (LLMs) have led to notable improvements in abstractive summarization quality. However, hallucination - ...

fine-tuning-large-language-models-using-entity-hallucination-index

Research

JoVE Journal

Engineering

الهندسة

في هذا البروتوكول ، يتم تحسين جودة استجابة نموذج اللغة الكبير من خلال الزيادة باستخدام مقالات علمية خاصة بالمجال تمت مراجعتها من قبل الأقران من خلال آلية تضمين المتجه. بالإضافة إلى ذلك ، يتم توفير التعليمات البرمجية للمساعدة في مقارنة الأداء عبر نماذج اللغات الكبيرة.

زيادة نماذج اللغات الكبيرة عبر عمليات تضمين المتجهات لتحسين الاستجابة الخاصة بالمجال

العضوية الضوئية (OPV) المواد غير متجانسة بطبيعتها على مقياس متناهي الصغر. التجانس المواد النانوية OPV يؤثر على أداء الأجهزة الضوئية. في هذه الورقة، ونحن تصف بروتوكول للقياسات الكمية من الخواص الكهربائية والميكانيكية لمواد OPV للقرار نانومتر الفرعية-100.

الكمية التوصيل المتزامن والخصائص الميكانيكية للمواد القياسات الضوئية العضوية باستخدام AFM

يوضح هذه الورقة بروتوكول لإعادة صياغة حدود نموذج مبسط التجريبية في حدود المحافظة والعدوانية على التعسفي نموذج الفيزياء الجديدة. النتائج LHC متاحة للجمهور التجريبية يمكن إعادة صياغة بهذه الطريقة في حدود تقريبا على أي نموذج الفيزياء الجديدة مع توقيع مثل التناظر الفائق.

وضع حدود على التناظر الفائق باستخدام نماذج المبسطة

يتم تقديم منهجية لإعداد ثقوب النانو الحالة الصلبة في حل للتجارب إزفاء الجزيئية البيولوجية. من خلال تطبيق نبضات قصيرة من الحقول الكهربائية عالية، وقطرها ثقب النانو يمكن تكبير controllably بدقة subnanometer وخصائص الضوضاء الكهربائية قد تحسن بشكل ملحوظ. يتم تنفيذ هذا الإجراء في الموقع باستخدام المعدات المختبرية القياسية تحت ظروف تجريبية.

صقل الحجم والتقليل من الضوضاء من الحالة الصلبة ثقوب النانو

يمكن للنماذج الفيزيائية للجزيئات الحيوية أن تسهل فهم وظيفتها الهيكلية للباحث ، وتساعد في التواصل بين الباحثين ، وتكون بمثابة أداة تعليمية في المساعي التربوية. هنا ، نقدم إرشادات مفصلة للطباعة ثلاثية الأبعاد لنماذج دقيقة من الجزيئات الحيوية باستخدام طابعات ثلاثية الأبعاد لتصنيع الخيوط المنصهرة.

3D طباعة نماذج الجزيئية البيولوجية للبحوث والتربية

وتهدف هذه الطريقة إلى تحديد العيوب العمودية تحت السطحية. هنا، ونحن زوجين ليزر مع المغير الضوء المكاني وتحريك مدخلات الفيديو لتسخين سطح العينة حتما مع اثنين من خطوط على مراحل مضادة على مراحل في حين الحصول على الصور الحرارية حلها للغاية. ويتم استرجاع موضع الخلل من تقييم الحد الأدنى لتداخل الموجة الحرارية.

توطين العيوب تحت السطح عن طريق التدفئة المنظمة باستخدام الليزر الحرارية الحرارية المتوقعة

من خلال سولفوريزيشن المودعة قبل انتقال المعادن، يمكن أن تكون ملفقة كريستال 2D مساحة كبيرة والعمودي هترو-الهياكل. كما أظهر الفيلم نقل، وإجراءات تصنيع الجهاز في هذا التقرير.

إعداد مساحة كبيرة الرأسي 2D المتغايرة كريستال-الهياكل من خلال سولفوريزيشن الأفلام المعادن الانتقالية لتصنيع الجهاز

يوضح هذا المقال طريقة للموضع الجراحية في الفئران القسطرة داخل تعلق على منفذ وصول التي يتم وضعها في الجزء الخلفي من الحيوان. وعلاوة على ذلك، وهذا ما يفسر الإجراء المتعلق استئصال 5/6 ليشابه الدولة يوريمي المرضى PD.

التقنيات الجراحية لموضع القسطرة واستئصال 5/6 في نماذج مورين للغسيل الكلوي البريتوني

ويرد بروتوكول مما يدل على تقنية تصنيع خطوتين للنمو كبيرة الحجم طبقة واحدة رقائق سنسي على شكل مستطيل على التكلفة المنخفضة SiO2/Si العوازل رقائق في نظام فرن أنبوب كوارتز ضغط الجوي.

الضغط الجوي تصنيع رقائق سنسي مستطيلة طبقة واحدة كبيرة الحجم

ويصف هذا البروتوكول تصنيع أجهزة موائع جزيئية من MY133-V2000 للقضاء على القطع الأثرية التي غالباً ما تنشأ في ميكروتشانيلس بسبب الانكسار mismatching بين هياكل microchannel ومحلول مائي. يستخدم هذا البروتوكول حامل اكريليك لضغط الجهاز مغلفة، تحسين الالتصاق كيميائيا وميكانيكيا على حد سواء.

تصنيع الأجهزة المتطابقة من مؤشر الانكسار للطب الحيوي ميكروفلويديكس

اكتشف إطار ضبط دقيق لنماذج اللغة الكبيرة باستخدام مؤشر هلوسة الكيان كإشارة مكافأة لتقليل الكيانات غير الصحيحة في التلخيصات. يحسن الدقة الواقعية دون فقدان المعلوماتية.

ضبط نماذج اللغة الكبيرة بدقة باستخدام مؤشر هلوسة الكيان لتلخيص النص

استكشف المزيد من الفيديوهات