Feinabstimmung großer Sprachmodelle unter Verwendung des Entitätshalluzinationsindex zur Textzusammenfassung
January 9th, 2026
Wir schlagen einen auf Reinforcement Learning basierenden Feinabstimmungsansatz für große Sprachmodelle vor, der den Enti Hallucination Index (EHI) als Belohnungssignal nutzt, um Halluzinationen auf Entitätsebene in Textzusammenfassungen zu reduzieren. Experimente mit Protokollen zeigen, dass diese Methode die Treue und Genauigkeit der Entitäten verbessert.
Diese Studie verwendet den Entity Hallucination Index als Belohnungssignal, um falsche Entitätengenerierung in KI-zusammengefassten Texten zu reduzieren. Die aktuellen Metriken sind zweigrob: Dieses Protokoll verwendet feinkörnige Entitätsbelohnungen, um die Faktualität ohne menschliche Etiketten zu verbessern. Zu Beginn verwenden Sie zwei Hauptkorpora, darunter einen Dialogtranskriptionsdatensatz mit mehrfachen Sitzungsprotokollen und den XSum News Zusammenfassungsbenchmark.
Reinigen Sie jeden Datensatz, flachen Sie die Daten ab und teilen Sie sie in 80%-Trainings-, 10%-Validierungs- und 10%-Testsätze. Führen Sie Tokenisierung und Entitätsextraktion mit einem transformatorbasierten NER-Modell D Slim/BERT-basiertem NER durch, um eine robuste Erdung sicherzustellen. Erstelle initiale Zusammenfassungen im Zero-Shot-Modus mittels Strahlsuche mit einer Breite von vier, um die Basisprävalenz von Halluzinationen zu schätzen.
Berechnen Sie den Entitätshalluzinationsindex als referenzfreie Entitätsmetrik, die Entitäten in fünf Faktoren einteilt, um die Treue zu quantifizieren. Belohne Extraktivität und positive Halluzinationen und bestrafe negative Halluzinationen, überfokussierte Entitäten und verlorene Konzentration. Definieren Sie die Belohnungsfunktion als proportional zur Treue der Entität und maximieren Sie die erwartete EHI-Belohnung über die generierten Zusammenfassungen.
Wenden Sie einen verstärkten Style-Update-Mechanismus an, um Modellparameter zu optimieren und die Entitätentreue zu maximieren. Verwenden Sie Low-Rank-Adaption, um parametereffiziente Feinabstimmung zu ermöglichen, und aktualisieren Sie nur die LoRA-Adapter, während die Basismodellgewichte eingefroren bleiben. Dann werden Richtliniengradienten-Updates angewendet, um höhere Belohnungsausgaben zu fördern, und Zusammenfassungen für jeweils 500 Updates neu generiert, um die Belohnungsschätzungen aufzufrischen.
Schließlich erstellen Sie endgültige Zusammenfassungen mit den fein abgestimmten Modellen und vergleichen Sie sie mit den Basisergebnissen. Bewerten Sie Modelle hinsichtlich Informativität mit Rouge eins, Rouge zwei und Rouge L, Flüssigkeit und faktischer Konsistenz mit Fact CC und CAGs. FEHI-Abstimmung reduzierte Halluzinationen und verbesserte die Faktualität zwischen Modellen und Datensätzen mit nach rechts gerichteten EHI-Verschiebungen sowie Fakten-CC-Verteilungen, die eine erhöhte Entitätstreue und faktische Konsistenz bestätigten, während die CAGS-Werte weitgehend unverändert blieben.
Die schädlichen Halluzinationstypen negativ, Überfokus und verlorener Konzentration wurden in Mistral nach dem Feinabstimmung reduziert, während sich der Extraktivitätsfaktor fast verdoppelte. Die Korrelationsanalyse zeigte, dass EHI und CAGS eine schwache Korrelation zwischen Mistral und Distillbart hatten, während Flan-T5 eine stärkere positive Korrelation zeigte. Forscher können die Treue- und Halluzinationsraten auf Entitätsebene in Zusammenfassungen mit dem automatisierten EHI Belohnungssignal messen.
Die größte Herausforderung ist die NER-Genauigkeit, da Extraktionsfehler während des Trainings zu falschen Belohnungsberechnungen führen können. Zukünftige Studien können Ko-Referenz-Auflösung und Informationsbelohnungen integrieren, um Treue mit Zusammenfassungsberichterstattung besser auszubalancieren.
View the full transcript and gain access to thousands of scientific videos
Overview
This article presents a novel reward-driven fine-tuning framework for large language models (LLMs) aimed at reducing entity-level hallucinations in abstractive summarization. By leveraging the Entity Hallucination Index (EHI) as a guiding metric, the approach enhances the factual accuracy of generated summaries without sacrificing informativeness or generalizability.
Key Study Components
Area of Science
- Natural Language Processing
- Machine Learning
- Text Summarization
Background
- LLMs have significantly improved abstractive summarization quality.
- Entity-level hallucination, where incorrect or fabricated entities appear in summaries, remains a major challenge.
- Existing models often struggle to balance informativeness and factual accuracy.
- Metrics to directly penalize hallucinated entities are underexplored in model training.
Purpose of Study
- To develop a fine-tuning framework that reduces entity hallucination in summarization models.
- To introduce and utilize the Entity Hallucination Index (EHI) as a reward signal.
- To demonstrate improved factuality and robustness in LLM-generated summaries.
Methods Used
- Initial summaries generated using pre-trained models (e.g., Flan-T5, DistilBART, Mistral) on structured transcript datasets such as XSUM.
- Named entity extraction from both generated summaries and gold reference summaries.
- Calculation of EHI by evaluating entity precision and penalizing fabricated entities.
- Reinforcement learning fine-tuning using a REINFORCE-style update mechanism with EHI as the reward signal.
Main Results
- Fine-tuned models exhibited lower rates of entity hallucination.
- Informativeness of summaries was maintained despite reduced hallucination.
- EHI-guided models demonstrated better generalization on out-of-domain summarization tasks.
- Enhanced robustness and factual accuracy were observed in experimental evaluations.
Conclusions
- The EHI-based reward framework effectively reduces entity-level hallucinations in LLM summarization.
- Factuality and informativeness can be jointly optimized using this approach.
- The method offers a practical direction for improving the reliability of automated summarization systems.
Frequently Asked Questions
Executive Industry Relevance
Entity-level hallucination in large language model (LLM) summarization poses a significant risk to data integrity and decision-making in biopharma R&D. The Entity Hallucination Index (EHI)-guided fine-tuning framework directly addresses this challenge, enabling more reliable extraction of factual insights from scientific and operational text sources. Enhanced factuality in automated summarization supports higher predictive confidence and reduces downstream risk in knowledge-driven pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Improves accuracy of literature and data mining for target identification by minimizing fabricated entities.
- Supports mechanistic de-risking by ensuring extracted entities reflect true biological relationships.
- Enables more confident hypothesis generation from automated text summarization outputs.
Screening & Assay Development
- Facilitates standardized extraction of assay targets and conditions from diverse documentation sources.
- Reduces risk of propagating incorrect entity information into screening workflows.
- Supports reproducibility by maintaining entity fidelity across automated summaries.
Translational & Preclinical Research
- Enhances mapping of preclinical findings to disease-relevant entities by reducing hallucination.
- Improves continuity of entity tracking from discovery through preclinical validation phases.
- Supports risk-adjusted advancement by providing more reliable entity-level evidence.
Pipeline & Workflow Integration
The EHI-guided fine-tuning framework integrates into the informatics layer of discovery, screening, and translational research pipelines, supporting robust entity extraction and summarization.
- Discovery Biology: Enables hypothesis testing and pathway clarification by ensuring entity accuracy in mined summaries.
- Screening: Provides reproducible, entity-faithful summaries for assay documentation and compound evaluation.
- Analytics: Delivers quantitative EHI scores to benchmark and compare summarization outputs across conditions.
- Translational Research: Maintains entity fidelity for biomarker and disease mapping when moving from discovery to preclinical stages.
- Enterprise Reuse: Establishes a scalable, reward-driven summarization capability for diverse biopharma text sources.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in text-derived insights.
- Operational Value: Standardizes entity extraction and summary generation across teams and projects.
- Strategic Value: Supports better go/no-go decisions by improving the reliability of automated knowledge extraction.
- Portfolio Impact: Enables risk-adjusted prioritization by reducing the propagation of incorrect entity data.
Implementation Considerations
- Requires expertise in natural language processing and reinforcement learning for model fine-tuning.
- Needs access to structured transcript datasets and gold-standard reference summaries for EHI computation.
- Demands cross-team agreement on entity definitions and extraction standards.
- May require adaptation of EHI thresholds for different biomedical domains or document types.
- Dependent on the quality of initial pre-trained models and reference data for optimal performance.
