כיוונון מדויק של מודלים גדולים של שפה באמצעות אינדקס הזיות של ישויות לסיכום טקסט
January 9th, 2026
אנו מציעים גישה מדויקת מבוססת חיזוק-למידה עבור מודלים לשוניים גדולים, המשתמשת במדד ההזיה של אנטי (EHI) כאות תגמול להפחתת הזיות ברמת הישות בסיכום טקסט. ניסויים על תמלולי פגישות מראים ששיטה זו משפרת את נאמנות ודיוק הישויות.
מחקר זה עושה שימוש במדד הזיית הישות כאות תגמול להפחתת יצירת ישויות שגויות בטקסט מסוכם על ידי בינה מלאכותית. המדדים הנוכחיים הם שני גסים, הפרוטוקול הזה משתמש בתגמולים מדויקים של ישויות כדי לשפר את העובדות ללא תוויות אנושיות. כדי להתחיל, השתמש בשני קורפוסים עיקריים, כולל מערך נתוני תמלול דיאלוג של תמלילי פגישות מרובי תורות ומדד סיכום XSum News.
נקה כל סט נתונים, שטח את הנתונים, וחלקו אותם ל-80% אימון, 10% אימות ו-10% בדיקות. לבצע טוקניזציה וחילוץ ישויות באמצעות מודל NER מבוסס טרנספורמר D slim/מבוסס BERT NER כדי להבטיח הארקה עמידה. יצירת סיכומים ראשוניים במצב אפס יריות באמצעות חיפוש קרן ברוחב ארבע כדי להעריך את שכיחות ההזיות בבסיס.
חשב את מדד ההזיה של הישויות כמדד ברמת ישות ללא הפניה שמחלק ישויות לחמישה גורמים לכימות נאמנות. תגמל חילוץ והזיות חיוביות ותעניש הזיות שליליות, ישויות מרוכזות יתר על המיקוד ואובדן ריכוז. הגדר את פונקציית התגמול כך שתהיה פרופורציונלית לנאמנות הישות ולמקסם את תגמול ה-EHI הצפוי לאורך הסיכומים שנוצרו.
יישם מנגנון עדכון סגנון מחוזק כדי לאופטימיזציה של פרמטרי המודל למקסום נאמנות הישויות. השתמשו בהתאמת דרגה נמוכה כדי לאפשר כוונון מדויק יעיל בפרמטרים ולעדכן רק את מתאמי LoRA תוך שמירה על משקל הדגם הבסיסי קפוא. לאחר מכן ייסמי עדכוני גרדיאנט מדיניות כדי לעודד תפוקות תגמול גבוהות יותר וליצור סיכומים מחדש על כל 500 עדכונים כדי לרענן את הערכות התגמול.
לבסוף, יצירת סיכומים סופיים באמצעות מודלים מותאמים והשוותם לתוצאות בסיסיות. הערכת מודלים לאינפורמטיביות באמצעות Rouge 1, Rouge 2, ו-Rouge L, שטף ועקביות עובדתית באמצעות Fact CC ו-CAGs. כיוונון EHI הפחית הזיות ושיפר את העובדות בין מודלים ומאגרי נתונים עם הזזות ימינה ב-EHI, והתפלגויות CC עובדות מאשרות נאמנות גופים מוגברת ועקביות עובדתית, בעוד שציוני CAGS נותרו ברובם ללא שינוי.
סוגי ההזיות המזיקות של שליליות, ריכוז יתר ואובדן ריכוז הופחתו במיסטרל לאחר כיוונון עדין, בעוד שגורם ההוצאה כמעט הוכפל. ניתוח קורלציה הראה של-EHI ול-CAGS יש מתאם חלש במיסטרל ו-DistilBART, אך Flan-T5 הראה מתאם חיובי חזק יותר. חוקרים יכולים למדוד נאמנות ברמת הישות ושיעורי הזיות בסיכומים באמצעות אות התגמול האוטומטי של EHI.
האתגר הקריטי ביותר הוא דיוק NER, שכן שגיאות חילוץ עלולות להתפשט לחישובי תגמול שגוי במהלך האימון. מחקרים עתידיים יכולים לשלב פתרון משותף ותגמולי מידע כדי לאזן טוב יותר בין נאמנות לכיסוי סיכום.
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.
