Name: Metin Özetleme İçinde Varlık Halüsinasyon İndeksini kullanarak Büyük Dil Modellerinin İnce Ayarlanması (Video) | JoVE Journal
Uploaded: 2026-01-09T13:45:00.000+00:00
Duration: 4 min 16 s
Description: Keşfedin, Varlık Halüsinasyon İndeksi ile büyük dil modellerini ince ayarlayarak metin özetlemede varlık düzeyinde halüsinasyonları nasıl azaltabileceğinizi. Bu yöntem, yapay zeka özetlerinin gerçeklik doğruluğunu artırır.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Maynez, J., Narayan, S., Bohnet, B., McDonald, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((On+faithfulness+and+factuality+in+abstractive+summarization%5BTitle%5D)+AND+%22Proc+Annu+Meet+Assoc+Comput+Linguist%22%5BJournal%5D)">On faithfulness and factuality in abstractive summarization.</a> Proc Annu Meet Assoc Comput Linguist. 2020, 173-173 (2020).</li>
<li>FEQA: A question answering evaluation framework for faithfulness assessment in abstractive summarization. Durmus, E., He, H., Diab, M. Proc Conf Empir Methods Nat Lang Process, , 454-454 (2020).</li>
<li>A short summary of automatic summarization. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22NLG+Blog%22">NLG Blog</a>. , Andong. https://andongluis.github.io/nlg-blog/Summarization-post/ (2018).</li>
<li>Understanding factuality in abstractive summarization. Pagnoni, A., Padmakumar, V., May, J. Proc Conf North Am Chapter Assoc Comput Linguist Hum Lang Technol, 2021, 4812-4829 (2021).</li>
<li>Lin, C. Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ROUGE%3A+A+package+for+automatic+evaluation+of+summaries%5BTitle%5D)+AND+%22Workshop+Text+Summarization+Branches+Out%22%5BJournal%5D)">ROUGE: A package for automatic evaluation of summaries.</a> Workshop Text Summarization Branches Out. 2004, 74-81 (2004).</li>
<li>Evaluating the factual consistency of abstractive text summarization. Kryściński, W., McCann, B., Xiong, C., Socher, R. Proc Conf Empir Methods Nat Lang Process, 2020, 750-750 (2020).</li>
<li>Goyal, T., Durmus, E., Cardie, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fact+checking+summarization+with+self+supervised+and+few+shot+learning%5BTitle%5D)+AND+%22Proc+Annu+Meet+Assoc+Comput+Linguist%22%5BJournal%5D)">Fact checking summarization with self supervised and few shot learning.</a> Proc Annu Meet Assoc Comput Linguist. 2022, 564-579 (2022).</li>
<li>QuestEval: Summarization asks for fact-based evaluation. Scialom, T., Dray, P. A., Lamprier, S., Piwowarski, B., Staiano, J., Wang, A., Gallinari, P. Proc Conf Empir Methods Nat Lang Process, 2021, 6594-6604 (2021).</li>
<li>Mukesh, K. Hallucinations in abstractive summarization. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMukesh%2C+K+%22Medium%22">Medium</a>. , https://medium.com/@mukesh.kr/hallucinations-in-abstractive-summarization-b5904bc1c5c5 (2023).</li>
<li>Factual error correction for abstractive summarization models. Cao, M., Dong, Y., Wu, J., Cheung, J. C. K. Proc Conf Empir Methods Nat Lang Process, 2020, 6251-6258 (2020).</li>
<li>Yan, E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aYan%2C+E+%22Evaluation+%26+hallucination+detection+for+abstractive+summaries%22">Evaluation & hallucination detection for abstractive summaries</a>. , https://eugeneyan.com/writing/abstractive-summarization-evaluation/ (2021).</li>
<li>Uekawa, A. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aUekawa%2C+A+%22Evaluation+metrics+for+summarization%22">Evaluation metrics for summarization</a>. , https://dev.to/akuer/evaluation-metrics-for-summarization-1d7f (2023).</li>
<li>Honnibal, M., Montani, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((spaCy+2%3A+Natural+language+understanding+with+Bloom+embeddings+convolutional+neural+networks+and+incremental+parsing%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">spaCy 2: Natural language understanding with Bloom embeddings convolutional neural networks and incremental parsing.</a> Zenodo. , (2017).</li>
<li>Reinforcement learning from human feedback: Aligning large language models. , At
 <a target="_blank" href="https://neptune.ai/blog/reinforcement-learning-from-human-feedback">https://neptune.ai/blog/reinforcement-learning-from-human-feedback</a> (2023).</li>
<li>Shakil, H., Farooq, A., Kalita, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Abstractive+text+summarization%3A+State+of+the+art%2C+challenges%2C+and+improvements%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Abstractive text summarization: State of the art, challenges, and improvements.</a> Neurocomputing. 603, 128255-128255 (2024).</li>
<li>AI, Z. Reducing LLM hallucinations: A developer's guide. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aAI%2C+Z+%22GetZep%22">GetZep</a>. , https://www.getzep.com/ai-agents/reducing-llm-hallucinations/ (2025).</li>
<li>Ouyang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Training+language+models+to+follow+instructions+with+human+feedback%5BTitle%5D)+AND+%22Adv+Neural+Inf+Process+Syst%22%5BJournal%5D)">Training language models to follow instructions with human feedback.</a> Adv Neural Inf Process Syst. 2022, 27730-27744 (2022).</li>
<li>Entity hallucination index in abstractive summarization-A metric. Praveenkumar, K., Balbantaray, R. C., Vittala, K. P. Proc Int Conf Commun Circuits Syst, 2023, 1-5 (2023).</li>
<li>Multi-reward reinforced summarization with saliency and entailment. Pasunuru, R., Bansal, M. Proc Conf North Am Chapter Assoc Comput Linguist Hum Lang Technol, 2018, 646-653 (2018).</li>
<li>Williams, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simple+statistical+gradient-following+algorithms+for+connectionist+reinforcement+learning%5BTitle%5D)+AND+%22Mach+Learn%22%5BJournal%5D)">Simple statistical gradient-following algorithms for connectionist reinforcement learning.</a> Mach Learn. 8 (3-4), 229-256 (1992).</li>
<li>Katwe NLP. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22EHI_XLSUM_XSUM_Finetuning%22">EHI_XLSUM_XSUM_Finetuning</a>. , GitHub. https://github.com/katweNLP/EHI_XLSUM_XSUM_Finetuning (2025).</li>
<li>ELITR minuting corpus: A novel dataset for automatic minuting from multi-party meetings in English and Czech. Nedoluzhko, A., Singh, M., Hledíková, M., Ghosal, T., Bojar, O. Proc Int Conf Lang Resour Eval (LREC), 2022, 2623-2632 (2022).</li>
<li>Don't give me the details, just the summary! Topic aware convolutional neural networks for extreme summarization. Narayan, S., Cohen, S. B., Lapata, M. Proc Conf Empir Methods Nat Lang Process, 2018, 1797-1807 (2018).</li>
<li>Lewis, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Denoising+sequence+to+sequence+pre+training+for+natural+language+generation%2C+translation%2C+and+comprehension%5BTitle%5D)+AND+%22Proc+Annu+Meet+Assoc+Comput+Linguist%22%5BJournal%5D)">Denoising sequence to sequence pre training for natural language generation, translation, and comprehension.</a> Proc Annu Meet Assoc Comput Linguist. 2020, 7871-7880 (2020).</li>
<li>Chung, H. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Scaling+instruction+fine-tuned+language+models%5BTitle%5D)+AND+%22J+Mach+Learn+Res%22%5BJournal%5D)">Scaling instruction fine-tuned language models.</a> J Mach Learn Res. 25 (1), 1-53 (2024).</li>
<li>Jiang, A. Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mistral+7B%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Mistral 7B.</a> arXiv. , (2023).</li>
<li>Chandra, C., Ojima, Y., Bendarkar, M. V., Mavris, D. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aviation+BERT+NER%3A+Named+entity+recognition+for+aviation+safety+reports%5BTitle%5D)+AND+%22Aerospace%22%5BJournal%5D)">Aviation BERT NER: Named entity recognition for aviation safety reports.</a> Aerospace. 11 (11), 890-890 (2024).</li>
<li>Lim, D. S. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLim%2C+DS+%22bert-base-NER%22">bert-base-NER</a>. , https://huggingface.co/dslim/bert-base-NER (2021).</li>
<li>Adam: A method for stochastic optimization. Kingma, D. P., Ba, J. Int Conf Learn Represent, , (2015).</li>
<li>QAGS: Evaluating question answering and generation for summarization. Wang, A., Cho, K. Proc Conf Empir Methods Nat Lang Process, 2020, 390-402 (2020).</li>
<li>Patil, S. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aPatil%2C+S+%22valhalla%2Ft5-small-qg-hl%22">valhalla/t5-small-qg-hl</a>. , https://huggingface.co/valhalla/t5-small-qg-hl (2020).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22deepset%2Froberta-base-squad2%22">deepset/roberta-base-squad2</a>. , Deepset GmbH. https://huggingface.co/deepset/roberta-base-squad2 (2020).</li>
<li>Factually consistent summarization via reinforcement learning with textual entailment feedback. Roit, P., et al. Proc Annu Meet Assoc Comput Linguist, 2023, 8027-8044 (2023).</li>
<li>Hallucination diversity aware active learning for text summarization. Xia, Y., et al. Proc Conf North Am Chapter Assoc Comput Linguist Hum Lang Technol, 2024, 3885-3900 (2024).</li>
<li>Wei, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TruthRL%3A+Incentivizing+truthful+large+language+models+via+reinforcement+learning%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">TruthRL: Incentivizing truthful large language models via reinforcement learning.</a> arXiv. , (2025).</li>
</ol>

<table><tbody><tr><td>Colab NVIDIA A100 GPU</td><td>NVIDIA</td><td>N/A</td><td>Google Colaboratory Pro</td></tr><tr><td>DistilBART (Encoder&ndash;Decoder)</td><td>Hugging Face</td><td>https://huggingface.co/sshleifer/distilbart-cnn-12-6</td><td></td></tr><tr><td>dslim/bert-base-NER</td><td>Hugging Face (dslim)</td><td>https://huggingface.co/dslim/bert-base-NER</td><td>Fine-tuned BERT base for English NER</td></tr><tr><td>Evaluation Models&nbsp; QAGS (QA-based)</td><td>Salesforce Research</td><td>N/A</td><td>Factuality classifier</td></tr><tr><td>Evaluation Models (Factuality) FactCC</td><td>Google Research</td><td>N/A</td><td>Factuality classifier</td></tr><tr><td>Flan-T5 (Encoder&ndash;Decoder)</td><td>Google</td><td>https://huggingface.co/docs/transformers/main/en/model_doc/flan-t5</td><td>open-source, text-to-text, large language model</td></tr><tr><td>Hugging Face Transformers</td><td>Hugging Face, Inc.</td><td>https://huggingface.co/docs/transformers/index</td><td>Model loading &amp; fine-tuning</td></tr><tr><td>Nous-Hermes-2-Mistral-7B-DPO</td><td>Mistral</td><td>https://huggingface.co/NousResearch/Nous-Hermes-2-Mistral-7B-DPO</td><td>7 billion parameter Language model</td></tr><tr><td>Programming Language Python 3.10 (Colab runtime)</td><td>Python Software Foundation</td><td>Version 3.10</td><td>Core implementation</td></tr><tr><td>Streamlit</td><td>Open Source&nbsp;</td><td>https://streamlit.io/</td><td>Factuality classifier</td></tr><tr><td>XLSUM dataset</td><td>BUET</td><td>https://github.com/csebuetnlp/xl-sum</td><td></td></tr><tr><td>XSUM dataset</td><td>University of Edinburgh</td><td>https://github.com/EdinburghNLP/XSum</td><td></td></tr></tbody></table>

metin Özetleme İçinde varlık halüsinasyon İndeksini kullanarak büyük dil modellerinin İnce ayarlanması

Fine-Tuning Large Language Models Using Entity Hallucination Index for Text Summarization

Metin Özetleme İçinde Varlık Halüsinasyon İndeksini kullanarak Büyük Dil Modellerinin İnce Ayarlanması

Recent advancements in large language models (LLMs) have led to notable improvements in abstractive summarization quality. However, hallucination - ...

fine-tuning-large-language-models-using-entity-hallucination-index

Research

JoVE Journal

Engineering

Mühendislik

Bu protokolde, temel büyük dil modeli yanıt kalitesi, bir vektör yerleştirme mekanizması aracılığıyla hakemli, alana özgü bilimsel makalelerle artırma yoluyla iyileştirilir. Ayrıca, büyük dil modelleri arasında performans karşılaştırmasına yardımcı olmak için kod sağlanır.

Etki alanına özgü yanıt verme hızını artırmak için vektör yerleştirmeleri aracılığıyla büyük dil modellerini artırma

Organik fotovoltaik (OPV) malzemeler nanometre ölçeğinde doğal homojen olmayan vardır. OPV malzemelerin Nanoseviye inhomojenlik fotovoltaik cihazların performansını etkiler. Bu yazıda, alt-100 nm çözünürlükte OPV malzemelerin elektriksel ve mekanik özelliklerinin kantitatif ölçümler için bir protokol açıklar.

Eşzamanlı Sayısal İletkenlik ve AFM kullanarak Organik Fotovoltaik Malzemeler Mekanik Özellikleri Ölçümleri

Bu kağıt keyfi bir yeni fizik model üzerinde muhafazakar ve saldırgan sınırları içine deneysel basitleştirilmiş bir model sınırlarını yenilenmesi için bir protokol göstermektedir. Kamuya açık LHC deneysel sonuçlar süpersimetri gibi imza ile hemen hemen her yeni fizik model üzerinde sınırları içine bu şekilde değişiklik yapılabilir.

Basitleştirilmiş Modeller Kullanılarak Süpersimetri Sınırları Ayarı

Biyomoleküler translokasyon deneyler için çözelti içinde katı-hal nanopores hazırlanması için bir yöntem sunulmuştur. Yüksek elektrik alanların kısa darbeleri uygulayarak, nanopore çapı kontrollü subnanometer hassasiyetle genişlemiş olabilir ve elektriksel gürültü karakteristikleri önemli ölçüde geliştirilmiş. Bu prosedür, deney koşulları altında, standart laboratuar ekipmanı kullanılarak yerinde gerçekleştirilir.

Boyutu ince ayar ve Solid-state nanopores Gürültü en aza indirmek

Biyomoleküllerin fiziksel modelleri, araştırmacı için yapı-işlevlerinin anlaşılmasını kolaylaştırabilir, araştırmacılar arasındaki iletişime yardımcı olabilir ve pedagojik çabalarda bir eğitim aracı olarak hizmet edebilir. Burada, kaynaşmış filament fabrikasyon masaüstü 3D yazıcıları kullanarak doğru biyomolekül modellerinin 3D baskısı için ayrıntılı rehberlik sağlıyoruz.

Araştırma ve Pedagoji için Biyomoleküler Modelleri 3D Baskı

Bu yöntem dikey yüzey altı kusurların bulunmasını amaçlamaktadır. Burada, bir lazeri bir alansal ışık modülatörüyle birleştirip, iki aşamalı modüle edilmiş çizgi ile deterministik olarak bir örnek yüzeyini ısıtmak için video girdisini tetikleyip çok çözünen termal görüntüler elde ediyoruz. Arıza konumu, termal dalga girişim minimum değerinin değerlendirilmesinden alınır.

Lazerle Projeksiyonlu Fototermal Termografi Kullanılarak Yapısal Isıtma Yöntemiyle Alt Yüzey Kusurlu Lokalizasyonu

Önceden yatırılan geçiş metaller sulfurization, geniş alanlara ve dikey 2D kristal hetero-yapıları sahte olduğu. Film aktarma ve cihaz imalat işlemleri de bu raporda gösterilen.

Geniş alan dikey 2D Crystal Hetero-yapıları aracılığıyla geçiş metalleri filmleri Sulfurization cihaz imalat için hazırlanması

Bu makalede farelerde hayvan arka tarafında konumlandırılmış bir erişim bağlantı noktasına bağlı bir mayi kateter, cerrahi yerleşim için yöntem gösterilmektedir. Ayrıca, PD hastalar üremik durumunu benzemeye 5/6 nefrektomi için yordamı açıklar.

Kateter yerleştirme ve 5/6 nefrektomi periton diyalizi fare modelleri için cerrahi teknik

Bir iletişim kuralı büyük boyutlu tek bir atmosfer basıncı quartz tüp ocağı sisteminde düşük maliyetli SiO2/sı Dielektrik gofret üzerinde dikdörtgen şekilli SnSe pul kat büyümek için bir iki aşamalı imalat tekniği gösteren sunulur.

Tek katmanlı dikdörtgen SnSe büyük ölçekli pul imalatı atmosfer basıncı

Bu iletişim kuralı kez mikro eşleşmeyen Kırılma endeksi nedeniyle microchannel yapıları ve sulu bir çözüm arasında ortaya çıkan eserler ortadan kaldırmak için MY133-V2000 mikrosıvısal cihazları imalatı açıklar. Bu iletişim kuralı bir akrilik sahibi yapışma kimyasal ve mekanik olarak iyileştirilmesi kapsüllenmiş aygıt sıkıştırmak için kullanır.

Biyomedikal Havacilik için refraktif Dizin eşleşen cihazların imalat

Keşfedin, Varlık Halüsinasyon İndeksi ile büyük dil modellerini ince ayarlayarak metin özetlemede varlık düzeyinde halüsinasyonları nasıl azaltabileceğinizi. Bu yöntem, yapay zeka özetlerinin gerçeklik doğruluğunu artırır.

Metin Özetleme İçinde Varlık Halüsinasyon İndeksini kullanarak Büyük Dil Modellerinin İnce Ayarlanması

Daha fazla video keşfet