Grote taalmodellen fijn afstellen met behulp van de Entity Hallucination Index voor tekstsamenvatting
January 9th, 2026
Wij stellen een op versterking leren gebaseerde fine-tuningbenadering voor grote taalmodellen voor, waarbij de Enti Hallucinatieindex (EHI) wordt gebruikt als beloningssignaal om hallucinaties op entiteitsniveau in tekstsamenvattingen te verminderen. Experimenten met afstudeertranscripties tonen aan dat deze methode de trouw en nauwkeurigheid van entiteiten verbetert.
Deze studie gebruikt de Entity Hallucination Index als beloningssignaal om onjuiste entiteitsgeneratie in door AI samengevat tekst te verminderen. De huidige metrieken zijn tweevoudig: dit protocol gebruikt fijnmazige beloningen van entiteiten om feitelijkheid te verbeteren zonder menselijke labels. Om te beginnen gebruik je twee primaire corpora, waaronder een dialoogtranscriptiedataset van meerdaagse vergaderingstranscripties en de XSum News samenvattingsbenchmark.
Maak elke dataset schoon, vlak de data af en deel deze op in 80% training, 10% validatie en 10% testsets. Voer tokenisatie en entiteitextractie uit met behulp van een transformer-gebaseerd NER-model D slim/BERT-gebaseerd NER om robuuste aarding te garanderen. Genereer initiële samenvattingen in zero shot-modus met behulp van beam search met een breedte van vier om de prevalentie van hallucinaties op de basis te schatten.
Bereken de entiteitshallucinatie-index als een referentievrije entiteitsniveau die entiteiten categoriseert in vijf factoren om trouw te kwantificeren. Beloon extractiviteit en positieve hallucinaties en straf negatieve hallucinaties, overgefocuste entiteiten en verloren focus af. Definieer de beloningsfunctie als evenredig aan de trouw van de entiteit en maximaliseer de verwachte EHI-beloning over de gegenereerde samenvattingen.
Pas een versterkt stijlupdatemechanisme toe om modelparameters te optimaliseren en zo de entiteitstrouwheid te maximaliseren. Gebruik low rank adaptatie om parameter-efficiënte finetuning mogelijk te maken en werk alleen de LoRA-adapters bij terwijl de gewichten van het basismodel bevroren blijven. Pas vervolgens beleidsgradiënt-updates toe om hogere beloningsoutput te stimuleren en genereer samenvattingen voor elke 500 updates opnieuw om de beloningsschattingen te verversen.
Genereer ten slotte definitieve samenvattingen met behulp van de fijn afgestemde modellen en vergelijk deze met de basisresultaten. Evalueer modellen op informatieve kwaliteit met behulp van Rouge één, Rouge twee en Rouge L, vloeiendheid en feitelijke consistentie met behulp van fact CC en CAGs. EHI-finetuning verminderde hallucinaties en verbeterde de feitelijkheid tussen modellen en datasets met rechtswaartse verschuivingen in EHI, en fact-CC-verdelingen bevestigden een verhoogde entiteitstrouw en feitelijke consistentie, terwijl CAGS-scores grotendeels ongewijzigd bleven.
De schadelijke hallucinatiestypen negatief, overfocus en verloren focus werden in Mistral na fijnafstelling verminderd, terwijl de extractiviteitsfactor bijna verdubbelde. Correlatieanalyse toonde aan dat EHI en CAGS een zwakke correlatie hadden in Mistral en DistilBART, maar Flan-T5 een sterkere positieve correlatie. Onderzoekers kunnen de trouwheid en hallucinaties op entiteitsniveau meten in samenvattingen met behulp van het geautomatiseerde EHI beloningssignaal.
De grootste uitdaging is de nauwkeurigheid van de NER, omdat extractiefouten kunnen leiden tot onjuiste beloningsberekeningen tijdens de training. Toekomstige studies kunnen co-referentie resolutie en informatieve beloningen integreren om trouw te combineren met samenvattende dekking.
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.
