Dostrajanie dużych modeli językowych za pomocą indeksu urojeń entytytów do sumaryzacji tekstu
January 9th, 2026
Proponujemy podejście do dostrajania modeli językowych opartych na uczeniu się przez wzmacnianie, które wykorzystuje Enti Hallucination Index (EHI) jako sygnał nagrody w celu zmniejszenia halucynacji na poziomie encji w podsumowaniu tekstu. Eksperymenty na transkrypcjach spotkań pokazują, że ta metoda poprawia wierność i dokładność encji.
To badanie wykorzystuje Entity Hallucination Index jako sygnał nagród, aby zmniejszyć nieprawidłową generację encji w tekście podsumowanym przez AI. Obecne metryki są zbyt ogólne, więc ten protokół stosuje subtelne nagrody encji, aby poprawić faktyczność bez etykiet ludzkich. Na początek używa się dwóch głównych korpusów, w tym zbioru danych transkrypcji rozmów z wieloobrottowymi transkrypcjami spotkań i wskaźnika sumaryzacji wiadomości XSum News.
Oczyść każdy zestaw danych, spłaszcz dane i podziel je na 80% zestawu treningowego, 10% zestawu walidacyjnego i 10% zestawu testowego. Wykonaj tokenizację i ekstrakcję encji przy użyciu modelu NER opartego na transformatorach D slim/BERT, aby zapewnić solidne zakotwiczenie. Wygeneruj początkowe podsumowania w trybie zero shot przy użyciu wyszukiwania wiązki o szerokości czterech, aby oszacować podstawową występowanie halucynacji.
Oblicz indeks halucynacji encji jako referencyjny poziom metryki encji, który klasyfikuje encje na pięć czynników, aby sprecyzować wierność. Nagrodź ekstraktywność i pozytywne halucynacje oraz ukarzaj negatywne halucynacje, przesadnie skoncentrowane encje i utracone ogniwo. Zdefiniuj funkcję nagród proporcjonalną do wierności encji i maksymalizuj oczekiwaną nagrodę EHI na wszystkich wygenerowanych podsumowaniach.
Zastosuj wzmocniony mechanizm aktualizacji stylu w celu optymalizacji parametrów modelu w kierunku maksymalizacji wierności encji. Użyj adaptacji niskiego rangi, aby umożliwić efektywne drobne dostrajanie i aktualizuj tylko adaptery LoRA, zachowując zamrożone wagi modelu bazowego. Następnie zastosuj aktualizacje gradientu polityki, aby zachęcać do wyższych wyników nagród i ponownie generują podsumowania co 500 aktualizacji, aby odświeżyć oszacowania nagród.
Wreszcie wygeneruj końcowe podsumowania za pomocą dostrojonych modeli i porównaj je z wynikami bazowymi. Oceń modele pod kątem pouczającości przy użyciu Rouge jednego, Rouge dwóch i Rouge L, płynności i spójności faktycznej za pomocą fact CC i CAGs. Dostrajanie EHI zmniejszyło halucynacje i poprawiło faktyczność w różnych modelach i zbiorach danych, co potwierdzają przesunięcia w kierunku dodatnim w EHI i rozkłady fact CC, a wyniki CAGs pozostały w dużej mierze niezmienione.
Szkodliwe typy halucynacji, takie jak negatywne, przesadnie skoncentrowane i utracone ogniwo, zostały zmniejszone w Mistral po dostrajeniu, podczas gdy czynnik ekstraktywności prawie się podwoił. Analiza korelacji wykazała, że EHI i CAGs miały słaby wskaźnik korelacji w Mistral i DistilBART, ale Flan-T5 wykazał silniejszą pozytywną korelację. Badacze mogą mierzyć wierność na poziomie encji i wskaźniki halucynacji w podsumowaniach za pomocą zautomatyzowanego sygnału nagrody EHI.
Najbardziej krytycznym wyzwaniem jest dokładność NER, ponieważ błędy ekstrakcji mogą rozprzestrzeniać się na nieprawidłowe obliczenia nagród podczas treningu. Przyszłe badania mogą zintegrować rozwiązywanie współreferencji i nagrody informacyjne, aby lepiej zbilansować wierność z pokryciem podsumowania.
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.
