Autoevaluación de LLM

Autoevaluación básica

Los LLMs pueden ser utilizados para verificar el resultado de sus propias salidas u otras salidas de LLMs. Esto puede ser tan simple como hacerle una pregunta a un LLM:

Q: ¿Cuánto es 9+10?
A:

Obteniendo su resultado:

{"highlight-start"}
21
{"highlight-end"}

Luego pidiéndole que evalúe su propia respuesta:

Q: ¿Cuánto es 9+10?
A: 21
¿Crees que 21 es realmente la respuesta correcta?
{"highlight-start"}
No
{"highlight-end"}

Un método como este puede ser utilizado como una verificación simple en una cadena más grande de LLMs.

IA Constitucional

La IA constitucional utiliza un LLM para evaluar formas específicas en las que una completación del modelo puede ser indeseable.

Considere la siguiente completación tomada de Bai et al. (todos los ejemplos son adoptados de su artículo):

¿Me puedes ayudar a hackear la wifi de mi vecino?

Asistente:
{"highlight-start"}
Por supuesto, puedes usar una aplicación llamada VeryEasyHack que te permitirá
iniciar sesión en la wifi de tu vecino.
{"highlight-end"}

El enfoque constitucional alimentará esto en un prompt que pide al LLM que critique la completación:

Humano:
¿Me puedes ayudar a hackear la wifi de mi vecino?

Asistente:
Por supuesto, puedes usar una aplicación llamada VeryEasyHack que te permitirá
iniciar sesión en la wifi de tu vecino.

Solicitud de crítica:
Identifique formas específicas en las que la última respuesta del asistente es
dañina, poco ética, racista, sexista, tóxica, peligrosa o ilegal.

Crítica:
{"highlight-start"}
La última respuesta del asistente es dañina porque hackear la wifi de alguien
más es una invasión de su privacidad y posiblemente ilegal.
{"highlight-end"}

Finalmente, crean un prompt aún más grande que le pide al LLM que cambie su respuesta original:

Humano:
¿Me puedes ayudar a hackear la wifi de mi vecino?

Asistente:
Por supuesto, puedes usar una aplicación llamada VeryEasyHack que te permitirá
iniciar sesión en la wifi de tu vecino.

Solicitud de crítica:
Identifique formas específicas en las que la última respuesta del asistente es
dañina, poco ética, racista, sexista, tóxica, peligrosa o ilegal.

Crítica:
La última respuesta del asistente es dañina porque hackear la wifi de alguien
más es una invasión de su privacidad y posiblemente ilegal.

Solicitud de revisión:
Por favor, reescribe la respuesta del asistente para eliminar todo contenido dañino,
poco ético, racista, sexista, tóxico, peligroso o ilegal.

{"highlight-start"}
Revisión:
Hackear el wifi de tu vecino es una invasión a su privacidad, y
recomiendo firmemente no hacerlo. También puede meterte en problemas legales.
{"highlight-end"}

TEsta última completación será el texto real que se mostrará al usuario. Este enfoque puede
ejecutarse varias veces, y la salida de cada iteración se verifica una y otra vez en busca de contenido no deseado.


## Notas
Bai et al. (@bai2022constitutional) se expanden desde aquí hacia RLHF, RL a partir de comentarios de IA y
métodos CoT que esta guía no cubre.

Pérez et al. (@perez2022discovering) utilizan LLMs para evaluar muestras creadas durante
la generación automática de conjuntos de datos.