Ajuste fino de grandes modelos de linguagem usando o Índice de Alucinação de Entidades para Resumo de Texto
January 9th, 2026
Propomos uma abordagem de ajuste fino baseada em aprendizado por reforço para grandes modelos de linguagem que utiliza o Índice de Alucinação Enti (EHI) como sinal de recompensa para reduzir alucinações em nível de entidade na sumarização de texto. Experimentos com transcrições de reuniões mostram que esse método melhora a fidelidade e a precisão das entidades.
Este estudo utiliza o Índice de Alucinação de Entidades como um sinal de recompensa para reduzir a geração incorreta de entidades em textos resumidos por IA. As métricas atuais são duas simples, esse protocolo emprega recompensas de entidades detalhadas para melhorar a factualidade sem rótulos humanos. Para começar, use dois corpus principais, incluindo um conjunto de dados de transcrição de diálogos com transcrições de reuniões em múltiplas turnos e o benchmark de sumarização XSum News.
Limpe cada conjunto de dados, achate os dados e particione-os em conjuntos de 80% de treinamento, 10% de validação e 10% de teste. Realize a tokenização e extração de entidades usando um NER modelo D slim/NER baseado em transformador para garantir aterramento robusto. Gerar resumos iniciais no modo zero shot usando busca por feixe com largura de quatro para estimar a prevalência de alucinações de base.
Calcule o índice de alucinação de entidades como uma métrica de nível de entidade sem referência que categoriza as entidades em cinco fatores para quantificar a fidelidade. Recompense a extratividade e alucinações positivas e penalize alucinações negativas, entidades excessivamente focadas e perda de foco. Defina a função de recompensa como proporcional à fidelidade da entidade e maximize a recompensa EHI esperada entre os resumos gerados.
Aplique um mecanismo reforçado de atualização de estilo para otimizar os parâmetros do modelo visando maximizar a fidelidade das entidades. Use adaptação de baixo rank para permitir ajustes finos eficientes em parâmetros e atualize apenas os adaptadores LoRA, mantendo os pesos do modelo base congelados. Depois, aplique atualizações de gradiente de políticas para incentivar maiores resultados de recompensa e regenere resumos a cada 500 atualizações para atualizar as estimativas de recompensa.
Por fim, gere resumos finais usando os modelos ajustados e compare-os com os resultados da linha base. Avalie modelos quanto à informação usando Rouge um, Rouge dois e Rouge L, fluência e consistência factual usando CC de fatos e CAGs. O ajuste fino do EHI reduziu alucinações e melhorou a factualidade em modelos e conjuntos de dados com deslocamentos para a direita no EHI, e distribuições de CC de fato confirmando aumento da fidelidade das entidades e consistência factual, enquanto as pontuações CAGS permaneceram em grande parte inalteradas.
Os tipos de alucinação nociva de negativo, excesso de foco e perda de foco foram reduzidos em Mistral após ajustes finos, enquanto o fator extrativo quase dobrou. A análise de correlação mostrou que EHI e CAGS tiveram uma correlação fraca em Mistral e DistilBART, mas Flan-T5 apresentou uma correlação positiva mais forte. Os pesquisadores podem medir a fidelidade em nível de entidade e as taxas de alucinação em resumos usando o sinal automatizado de recompensa EHI.
O desafio mais crítico é a precisão do NER, pois erros de extração podem se propagar para cálculos incorretos de recompensa durante o treinamento. Estudos futuros podem integrar recompensas de resolução por coreferência e informação para equilibrar melhor a fidelidade com a cobertura resumida.
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.
