Robust Hallucination Detection in LLMs via Adaptive Token Selection¶

会议: NeurIPS 2025
arXiv: 2504.07863
代码: https://github.com/mala-lab/HaMI
领域: 幻觉检测
关键词: hallucination detection, multiple instance learning, adaptive token selection, internal representation, predictive uncertainty

一句话总结¶

HaMI 将幻觉检测建模为多示例学习（MIL）问题，将生成序列视为 token 实例的"bag"，通过联合优化 token 选择和幻觉检测来自适应地定位最具指示性的 token，在四个 QA 基准上以 AUROC 大幅超越所有现有方法（最高提升 11.9%）。

研究背景与动机¶

LLM 的幻觉（hallucination）问题是其安全部署的核心障碍——模型可能生成看似合理但实际不忠实或错误的内容。现有检测方法主要分两条路线：

基于不确定性的方法（如 Semantic Entropy、Perplexity、MARS）：依赖预测概率或多次采样的语义一致性，但性能受限于辅助 LLM 的能力

基于内部表示的方法（如 SAPLMA、HaloScope、CED）：利用 LLM 隐藏层表示训练二分类器，但严重依赖预定义的 token 位置

核心矛盾：大多数内部表示方法使用预定义 token（如第一个、最后一个或倒数第二个 token）的表示来训练检测器。但如图 1 所示，包含幻觉信息最丰富的 token 位置会因回复长度和幻觉实体分布的不同而显著变化。预定义位置会遗漏幻觉信息集中的关键 token。

切入角度：幻觉通常仅出现在回复中少数 token 的位置（如错误的实体名词），这与 MIL 的假设天然吻合——正样本 bag 中仅有少数正实例，负样本 bag 中所有实例均为负。将幻觉检测转化为 MIL 问题，可以自适应地在训练中学习哪些 token 最具幻觉指示性。

方法详解¶

整体框架¶

HaMI 框架包含两大模块：

MIL 驱动的自适应 Token 选择（ATS）：将每个生成序列视为一个 bag，bag 级标签为幻觉/可信。通过 MIL 损失联合优化 token 选择和幻觉检测。
预测不确定性增强模块：将多层次不确定性信息融入 token 内部表示，增强判别能力。

关键设计¶

MIL 建模：
- 正样本 bag \(\mathcal{B}^+\)（含幻觉的回复）：仅少数 token 是真正的幻觉 token（正实例）
- 负样本 bag \(\mathcal{B}^-\)（正确回复）：所有 token 均为负实例
- 幻觉检测器 \(f_\theta\) 为每个 token 分配幻觉分数
- 选择每个 bag 中幻觉分数最高的 top-k 个 token 作为显著 token（\(k = \lfloor 0.1 \times l \rfloor + 1\)，l 为序列长度）
MIL 损失函数：
- 最大化正 bag 显著 token 与负 bag 最难负 token 之间的判别边际
- \(\mathcal{L}_{MIL} = 1 - \|\frac{1}{k}\sum_{i^+ \in \mathcal{I}_{top-k}^+} f_\theta(h_{i^+})\|_2 + \|\frac{1}{k}\sum_{i^- \in \mathcal{I}_{top-k}^-} f_\theta(h_{i^-})\|_2\)
- 正 bag 的 top-k token 得分应高，负 bag 的 top-k token 得分应低
平滑性约束：
- 利用 token 生成的序列特性，相邻 token 的幻觉分数应平滑变化
- \(\mathcal{L}_{Smooth} = (f_\theta(h_i) - f_\theta(h_{i-1}))^2\)
- 总损失：\(\mathcal{L}_{ATS} = \mathcal{L}_{MIL} + \mathcal{L}_{Smooth}\)
预测不确定性增强：
- 三个层次的不确定性度量：
  - Token 级：预测概率 \(P^t\)
  - 句子级：困惑度（perplexity）\(P^s\)
  - 语义一致性级：基于多次采样的语义熵 \(P^c\)
- 增强公式：\(h' = (1 + \lambda \cdot P_{\text{uncertainty}}) \cdot h\)
- 默认使用语义一致性 \(P^c\)，\(\lambda = 1.0\)

损失函数 / 训练策略¶

检测器为两层 MLP，隐藏维度 256
四个基准数据集：TriviaQA、SQuAD、Natural Questions、BioASQ
每个数据集 2000 对 QA 训练、800 对测试
多次采样：每个问题提示 LLM 6 次
正确性标签由 GPT-4.1 判定
评估指标：AUROC
模型：LLaMA-3.1-8B、Mistral-Nemo-Instruct (12B)、LLaMA-3.3-Instruct-70B

实验关键数据¶

主实验（AUROC）¶

LLaMA-3.1-8B 上的对比：

方法	TriviaQA	SQuAD	NQ	BioASQ	备注
Perplexity	0.732	0.649	0.659	0.709	基线
Semantic Entropy	0.828	0.787	0.773	0.757	强基线
SAPLMA	0.835	0.769	0.781	0.821	内部表示
MARS-SE	0.824	0.780	0.777	0.744	增强版
HaMI* (Ours)	0.854	0.783	0.788	0.823	无不确定性增强
HaMI (Ours)	0.897	0.826	0.820	0.836	完整版

LLaMA-3.3-Instruct-70B 上的对比：

方法	TriviaQA	SQuAD	NQ	BioASQ
Semantic Entropy	0.819	0.643	0.769	0.772
SAPLMA	0.842	0.672	0.817	0.748
HaMI (Ours)	0.891	0.774	0.846	0.825

消融实验¶

自适应 Token 选择 vs 预定义 Token：

Token 位置策略	TriviaQA	SQuAD	平均提升
First token	0.849	0.774	-
Before Last	0.878	0.778	+1.6%
Last token	0.890	0.804	+3.3%
ATS (Ours)	0.897	0.826	+5.0%

不确定性增强效果：

不确定性类型	TriviaQA	SQuAD	说明
Original（无增强）	0.854	0.783	HaMI*
Token 级 \(P^t\)	0.856	0.782	几乎无提升
句子级 \(P^s\)	0.871	0.787	适度提升
语义一致性 \(P^c\)	0.897	0.826	最显著提升(+6.7%)

关键发现¶

HaMI 在三个 LLM 上全面超越所有基线，70B 模型上优势更加显著（超 SE 平均 11.5%）
跨数据集泛化实验：HaMI 在未见数据集上的性能下降不超过 4.5%，远优于其他方法
人工评估显示 ATS 模块对幻觉 token 的召回率达 0.84，且没有 token 级监督
Last token 是最好的预定义位置选择，但 ATS 在所有情况下都更好且更鲁棒
语义一致性增强（\(P^c\)）效果最佳，但句子级困惑度（\(P^s\)）也优于所有需要多次采样的外部方法（如 SE），且仅需一次生成

亮点与洞察¶

MIL 建模的优雅适配：幻觉检测的本质——"正样本序列中仅少数 token 含幻觉"——与 MIL 假设完美匹配，这一建模思路非常自然且理论合理
端到端联合优化：首次实现了 token 选择和幻觉检测的联合优化，避免了两阶段方法中 token 选择不匹配的问题
平滑性约束：利用自回归生成的序列性质，相邻 token 的幻觉分数应连续变化，这一归纳偏置简单但有效
实用价值高：HaMI* 版本（无需多次采样）已经可以超越大多数需要外部 LLM 辅助的方法，部署成本低

局限与展望¶

语义一致性增强 \(P^c\) 需要多次采样和外部 NLI 模型判断语义等价，增加推理成本
训练依赖 GPT-4.1 提供的正确性标签，标签质量受 GPT-4.1 能力限制
仅在 QA 任务上评估，对摘要生成、对话等其他幻觉场景的适用性未验证
k 的设定（top 10% + 1）比较启发式，不同任务可能需要不同的 k
检测器使用固定层的内部表示，最优层的选择需要验证集调参

评分¶

新颖性: ⭐⭐⭐⭐⭐
实验充分度: ⭐⭐⭐⭐⭐
写作质量: ⭐⭐⭐⭐
价值: ⭐⭐⭐⭐⭐