Affining di grandi modelli linguistici utilizzando l'Entity Hallucination Index per la sintesi del testo
January 9th, 2026
Proponiamo un approccio di affining basato sull'apprendimento per rinforzo per grandi modelli linguistici che utilizza l'Enti Hallucination Index (EHI) come segnale di ricompensa per ridurre le allucinazioni a livello di entità nella sintesi testuali. Esperimenti sulle trascrizioni degli incontri mostrano che questo metodo migliora la fedeltà e l'accuratezza delle entità.
Questo studio utilizza l'Entity Hallucination Index come segnale di ricompensa per ridurre la generazione errata di entità nei testi riassunti dall'IA. Le metriche attuali sono due approssimative, questo protocollo utilizza ricompense di entità a grana fine per migliorare la fattualità senza etichette umane. Per cominciare, utilizza due corpora principali, tra cui un set di dati di trascrizione del dialogo con trascrizioni di riunioni a più turni e il benchmark di riassunta XSum News.
Pulisci ogni set di dati, appiattisci i dati e suddividili in set all'80% di addestramento, 10% di validazione e 10% di test. Eseguire la tokenizzazione e l'estrazione delle entità utilizzando un NER modello D slim/BERT basato su trasformatore per garantire una messa a terra robusta. Genera riassunti iniziali in modalità zero shot usando la ricerca a fascio con larghezza di quattro per stimare la prevalenza di allucinazioni di base.
Calcola l'indice di allucinazione dell'entità come una metrica a livello di entità priva di riferimento che categorizza le entità in cinque fattori per quantificare la fedeltà. Premia l'estrazione e le allucinazioni positive e penalizza le allucinazioni negative, le entità troppo focalizzate e la perdita di concentrazione. Definisci la funzione ricompensa come proporzionale alla fedeltà dell'entità e massimizza la ricompensa EHI attesa tra i riassunti generati.
Applicare un meccanismo rinforzato di aggiornamento dello stile per ottimizzare i parametri del modello al fine di massimizzare la fedeltà delle entità. Usa l'adattamento a basso rango per consentire una messa a punto fine efficiente dai parametri e aggiorna solo gli adattatori LoRA mantenendo congelati i pesi base del modello. Poi applica aggiornamenti del gradiente di politica per incoraggiare risultati di ricompensa più elevati e rigenera i riepiloghi ogni 500 aggiornamenti per aggiornare le stime delle ricompense.
Infine, genera riassunti finali utilizzando i modelli fine-tuned e confrontali con i risultati di base. Valuta i modelli per l'informatività usando Rouge uno, Rouge due e Rouge L, fluidità e coerenza fattuale usando dati CC e CAG. La fine tuning EHI ha ridotto le allucinazioni e migliorato la fattualità tra modelli e set di dati con spostamenti verso destra nell'EHI, e le distribuzioni dei CC dei fatti che confermano una maggiore fedeltà e coerenza fattuale, mentre i punteggi CAGS sono rimasti in gran parte invariati.
I tipi di allucinazioni dannose come negative, sovrafocalizzazione e perdita di concentrazione sono stati ridotti in Mistral dopo la fine tutura, mentre il fattore estrazione è quasi raddoppiato. L'analisi di correlazione ha mostrato che EHI e CAGS avevano una correlazione debole in Mistral e DistilBART, ma Flan-T5 ha mostrato una correlazione positiva più forte. I ricercatori possono misurare la fedeltà a livello di entità e i tassi di allucinazione in riepiloghi utilizzando il segnale automatico di ricompensa EHI.
La sfida più critica è l'accuratezza del NER, poiché gli errori di estrazione possono propagarsi in calcoli errati della ricompensa durante l'addestramento. Studi futuri possono integrare risoluzioni per coriferimento e ricompense informative per bilanciare meglio la fedeltà con la copertura riassuntiva.
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.
