譯者 | 朱先忠

審校 | 重樓

簡介

最近，我們團隊推出了LettuceDetect框架，這是一款用于檢索增強生成（RAG）開發管道的輕量級幻覺檢測器。它是一種基于ModernBERT模型構建的基于編碼器的模型，根據MIT許可證發布，帶有現成的Python包和預訓練模型。

• 是什么：LettuceDetect是一個標記級檢測器，可標記LLM回答中不受支持的片段。
• 如何使用：在RAGTruth（18k個樣本）幻覺語料庫上進行訓練，利用ModernBERT模型實現長達4k個標記的上下文長度。
• 開發原因：它解決了（1）先前僅編碼器模型中的上下文窗口限制；以及（2）基于LLM的檢測器的高計算成本。
• 此框架的亮點主要體現在：

A.在RAGTruth幻覺語料庫上擊敗了之前基于編碼器的模型（例如Luna）。

B.尺寸僅為其一小部分，卻超越了經過微調的Llama-2-13B（引文2），并且推理效率極高。

C.完全開源，遵循MIT許可證。

LettuceDetect框架通過發現LLM輸出中的“過時的”部分來保持你的RAG框架一直最新。

快速鏈接

• GitHub：github.com/KRLabsOrg/LettuceDetect
• PyPI：pypi.org/project/lettucedetect
• arXiv論文：2502.17125
• Hugging Face模型：

A.基礎模型

B.大型模型

• Streamlit演示程序：訪問我們的Hugging Face空間或者是按照GitHub說明在本地運行。

為什么選擇LettuceDetect？

時至今日，大型語言模型（LLM）在NLP任務中取得了長足進步，例如GPT-4（引文4）、Llama-3模型（引文5）或Mistral（引文6）（還有更多）。盡管LLM取得了成功，但幻覺仍然是在高風險場景（例如醫療保健或法律領域）中部署LLM的主要障礙（引文7和8）。

檢索增強生成（RAG）技術嘗試通過將LLM的響應建立在檢索到的文檔中來減輕幻覺，從而提供模型可以參考的外部知識（引文9）。但是，盡管RAG是減少幻覺的有效方法，但LLM在這些設置下仍然會受到幻覺的影響（引文1）。幻覺是指輸出中的信息毫無意義、事實不正確或與檢索到的上下文不一致（引文8）。Ji等人（引文10）將幻覺分為以下幾類：

• 內在幻覺：源于模型先前存在的內部知識。
• 外在幻覺：當答案與所提供的上下文或參考資料相沖突時發生。

雖然RAG方法可以減輕內在幻覺，但它們并不能免受外在幻覺的影響。Sun等人（引文11）研究結果表明，模型傾向于優先考慮其內在知識而不是外部環境。由于LLM仍然容易產生幻覺，因此它們在醫學或法律等關鍵領域的應用仍然可能存在缺陷。

幻覺檢測的當前解決方案

當前的幻覺檢測解決方案可以根據所采用的方法分為不同的類別：

• 基于提示的檢測器：這些方法（例如RAGAS、Trulens、ARES）通常利用零樣本或少量樣本提示來檢測幻覺。它們通常依賴于大型LLM（如GPT-4）并采用SelfCheckGPT（引文12）、LMvs.LM（引文13）或Chainpoll（引文14）等策略。雖然它們通常很有效，但由于重復調用LLM，計算成本可能很高。
• 微調LLM檢測器：大型模型（例如Llama-2、Llama-3）可以進行微調以檢測幻覺（引文1和15）。這可以產生高精度（如RAGTruth作者使用Llama-2-13B或RAG-HAT對Llama-3-8B所做的工作所示），但訓練和部署需要大量資源。由于其規模較大且速度較慢，推理成本也往往較高。
• 基于編碼器的檢測器：Luna（引文2）等模型依賴于BERT樣式的編碼器（通常限制為512個標記）進行標記級分類。這些方法通常比在推理時運行完整的LLM更有效，但受到短上下文窗口和針對較小輸入優化的注意機制的限制。

適用于長上下文的ModernBERT

ModernBERT（引文3）是BERT的直接替代品，它是一種先進的僅編碼器的轉換器架構，在原始BERT模型上融入了幾項現代設計改進，例如它使用旋轉位置嵌入（RoPe）來處理最多8,192個標記的序列，使用取消填充優化來消除填充標記上浪費的計算，使用GeGLU激活層來增強表現力，并使用交替注意力來實現更高效的注意力計算。

LettuceDetect利用ModernBERT的擴展上下文窗口構建用于幻覺檢測的標記級分類器。這種方法避開了舊版基于BERT的模型的許多限制（例如，短上下文邊界），并避免了大型基于LLM的檢測器的推理開銷。我們的實驗表明，LettuceDetect的性能優于其他基于編碼器的系統，同時仍能與經過微調的LLM檢測器相媲美，而計算成本僅為后者的一小部分。

數據

RAGTruth是第一個大型開源（MIT許可證）基準，專門用于評估檢索增強生成（RAG）設置中的幻覺檢測。它包含18,000個帶注釋的樣本，涵蓋多個任務：

• 問答（QA）：從MS MARCO數據集中抽樣，其中每個問題最多檢索三個文檔，并提示LLM給出答案。
• 數據到文本生成：基于Yelp開放數據集，其中LLM為抽樣企業生成評論。
• 新聞摘要：使用來自CNN/DailyMail的隨機文檔，促使LLM提供摘要。

其中，RAGTruth中的每個樣本包括：

• 一個問題和一個提示；
• 一個或多個參考段落或上下文文檔；
• LLM生成的響應；
• 跨度級別的人工注釋，表明答案的任何部分是否沒有事實依據或與參考段落相矛盾。

下面是來自RAGTruth的說明性樣本，展示了幻覺的一個實例：

提出問題：

如何解釋四分位數？

參考資料：

第2段：

第二四分位數（Q2）更常被稱為中位數，它將數據分成兩半（50%）。

中位數將數據分為下半部分和上半部分。

第三四分位數（Q3）也稱為上四分位數，將數據的最低75%（或最高25%）分開。

（……）

回復如下：

第一個四分位數（Q1）將數據中最低的25%分成兩部分，而第二個四分位數（Q2）將數據分成兩個相等的部分，中位數是下半部分的中間值。最后，第三個四分位數（Q3）將數據中最高的75%分成兩部分。

（……）

注解

跨度：“最高75%”

類型：明顯沖突

原因：

原文：“最低75%（或最高25%）”

生成文本：“最高75%”

此樣本展示了一個RAGTruth注釋，涉及答案中與參考段落相沖突的特定跨度，提供了幻覺的類型（例如，明顯沖突）和人類可讀的理由。我們的方法僅使用二進制注釋，而不使用幻覺注釋的類型。

方法

作者自制圖片

這里給出的是LettuceDetect架構的一種高級描述。這里，給出了一個樣本問題、上下文和答案三元組。首先，對文本進行標記，然后LettuceDetect執行標記級分類。問題和上下文中的標記都被屏蔽（圖中用紅線表示），以便將它們排除在損失函數之外。答案中的每個標記都會收到一個概率，表明它是幻覺的還是被支持的。對于跨度級檢測，我們將幻覺概率高于0.5的連續標記合并為單個預測跨度。

我們在RAGTruth數據集上訓練ModernBERT-base和ModernBERT-large變體作為標記分類模型。模型的輸入是Context、Question和Answer段的串聯，帶有專門的標記([CLS])（用于上下文）和([SEP])（作為分隔符）。為了便于計算，我們將序列長度限制為4,096個標記，但ModernBERT理論上最多可以處理8,192個標記。

標記化和數據處理

• 標記化：我們使用轉換器庫中的AutoTokenizer來處理子詞標記化，并適當地插入[CLS]和[SEP]。
• 標簽：

A.上下文/問題標記被屏蔽（即在PyTorch中分配-100的標簽），因此它們不會導致損失。

B.每個答案標記都會收到一個標簽0（支持）或1（幻覺）。

模型架構

我們的模型基于Hugging Face的AutoModelForTokenClassification構建，使用ModernBERT作為編碼器，并在其上設置分類頭。與之前一些基于編碼器的方法（例如，在NLI任務上進行預訓練的方法）不同，我們的方法僅使用ModernBERT，沒有額外的預訓練階段。

訓練配置

• 優化器：AdamW，學習率為1*10^-5，權重衰減為0.01。
• 硬件：單個NVIDIA A100 GPU。
• 世代（Epochs）：總共6個訓練世代。
• 批處理：

A.批次大小為8；

B.使用PyTorch DataLoader加載數據（啟用數據混洗功能）；

C.通過DataCollatorForTokenClassification進行動態填充，以有效處理可變長度序列。

在訓練期間，我們會監控驗證拆分中的符號級F1分數，并使用safetensors格式保存檢查點。訓練完成后，我們會將表現最佳的模型上傳到Hugging Face供公眾訪問。

在推理時，模型會輸出答案中每個標記的幻覺概率。我們聚合超過0.5閾值的連續標記以生成跨度級預測，準確指示答案的哪些部分可能產生幻覺。上圖說明了此工作流程。

接下來，我們對模型的性能進行更詳細的評估。

測試結果

我們在RAGTruth測試集上對所有任務類型（問答、數據轉文本和摘要）的模型進行了評估。對于每個示例，RAGTruth都包含手動注釋的跨度，以指示幻覺內容。

示例級結果

我們首先評估樣本級別的問題：生成的答案是否包含任何幻覺？我們的大型模型（lettucedetect-large-v1）的總體F1得分達到79.22%，超過了：

• GPT-4（63.4%）；
• Luna（65.4%）（之前最先進的基于編碼器的模型）；
• RAGTruth論文中提出了經過微調的Llama-2-13B（78.7%）。

它僅次于RAG-HAT論文（引文15）中經過微調的Llama-3-8B（83.9%），但LettuceDetect明顯更小，運行速度更快。同時，我們的基礎模型（lettucedetect-base-v1）在使用較少參數的情況下仍保持了極高的競爭力。

作者本人提供圖片

上表是一張比較表，說明了LettuceDetect與基于提示的方法（例如GPT-4）和基于編碼器的替代解決方案（例如Luna）的對比情況。總體而言，lettucedetect-large-v1和lettucedect-base-v1是性能非常出色的模型，同時在推理設置中也非常有效。

跨度級結果

除了檢測答案是否包含幻覺之外，我們還檢查了LettuceDetect識別不支持內容的確切跨度的能力。在這里，LettuceDetect在報告跨度級別性能的模型中取得了最先進的結果，大大優于RAGTruth論文（引文1）和其他基線中經過微調的Llama-2-13B模型。

作者本人提供圖片

大多數方法（例如RAG-HAT（引文15））都沒有報告跨度級指標，因此我們在這里不與它們進行比較。

推理效率

lettucedetect-base-v1和lettucedetect-large-v1所需的參數都比典型的基于LLM的檢測器（例如GPT-4或Llama-3-8B）少，并且可以在單個NVIDIA A100 GPU上每秒處理30-60個樣本。這使得它們適用于工業工作負載、實時面向用戶的系統和資源受限的環境。

總體而言，這些結果表明LettuceDetect具有良好的平衡性：與基于LLM的大型評判系統相比，它以極小的規模和成本實現了接近最先進的準確度，同時提供了精確的標記級幻覺檢測。

開發實戰

安裝軟件包：

pip install lettucedetect

然后，你可以按如下方式使用該包：

from lettucedetect.models.inference import HallucinationDetector
#對于基于轉換器的方法：
detector = HallucinationDetector(
 method="transformer", model_path="KRLabsOrg/lettucedect-base-modernbert-en-v1"
)
contexts = ["France is a country in Europe. The capital of France is Paris. The population of France is 67 million.",]
question = "What is the capital of France? What is the population of France?"
answer = "The capital of France is Paris. The population of France is 69 million."
#得到跨度級的預測，表明答案的哪一部分被認為是幻覺。
predictions = detector.predict(cnotallow=contexts, questinotallow=question, answer=answer, output_format="spans")
print("Predictions:", predictions)
#預測結果是：[{'start': 31, 'end': 71, 'confidence': 0.9944414496421814, 'text': ' The population of France is 69 million.'}]

結論

我們在本文中詳細介紹了我們團隊研發的LettuceDetect，這是一個輕量級且高效的RAG系統幻覺檢測框架。通過利用ModernBERT的擴展上下文功能，我們的模型在RAGTruth基準上實現了強勁的性能，同時保持了較高的推理效率。這項工作為未來的研究方向奠定了基礎，例如擴展到其他數據集、支持多種語言以及探索更先進的架構。即使在這個階段，LettuceDetect也證明了使用精簡的、專門構建的基于編碼器的模型可以實現有效的幻覺檢測。

引文

【1】Niu等人，2024，RAGTruth: A Dataset for Hallucination Detection in Retrieval-Augmented Generation（RAGTruth：檢索增強生成中的幻覺檢測數據集）。

【2】Luna: A Simple and Effective Encoder-Based Model for Hallucination Detection in Retrieval-Augmented Generation（Luna：一種簡單有效的基于編碼器的檢索增強生成幻覺檢測模型）。

【3】ModernBERT: A Modern BERT Model for Long-Context Processing（ModernBERT：用于長上下文處理的現代BERT模型）。

【4】GPT-4 report（GPT-4報告）。

【5】Llama-3 report（Llama-3報告）。

【6】Mistral 7B。

【7】Kaddour等人，2023，Challenges and Applications of Large Language Models（大型語言模型的挑戰與應用）。

【8】Huang等人，2025，A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions（大型語言模型中的幻覺調查：原理、分類、挑戰和未決問題）。

【9】Gao等人，2024，Retrieval-Augmented Generation for Large Language Models: A Survey（大型語言模型的檢索增強生成：一項調查）。

【10】Ji等人，2023，Survey of Hallucination in Natural Language Generation（自然語言生成中的幻覺研究）。

【11】Sun等人，2025，ReDeEP: Detecting Hallucination in Retrieval-Augmented Generation via Mechanistic Interpretability（ReDeEP：通過機械可解釋性檢測檢索增強生成中的幻覺）。

【12】Manakul等人，2023，SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models（SelfCheckGPT：用于生成大型語言模型的零資源黑盒幻覺檢測）。

【13】Cohen等人，2023，LM vs LM: Detecting Factual Errors via Cross Examination（LM vs LM：通過交叉詢問檢測事實錯誤）。

【14】Friel等人，2023，Chainpoll: A high efficacy method for LLM hallucination detection（Chainpoll：一種高效的LLM幻覺檢測方法）。

【15】Song等人，2024，RAG-HAT: A Hallucination-Aware Tuning Pipeline for {LLM} in Retrieval-Augmented Generation（RAG-HAT：檢索增強生成中用于LLM的幻覺感知調整管道）。

【16】Devlin等人，2019，BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding（BERT：用于語言理解的深度雙向Transformer預訓練）。

譯者介紹

朱先忠，51CTO社區編輯，51CTO專家博客、講師，濰坊一所高校計算機教師，自由編程界老兵一枚。

原文標題：LettuceDetect: A Hallucination Detection Framework for RAG Applications，作者：Adam Kovacs