谷歌推出DataGema：基于可靠数据源提升AI准确性，减少幻觉
注：原文本中的"DataGemma"似乎为笔误，根据上下文意义应为"DataGema"，如有错误请指正。
编辑日期：2024年09月12日
当前，语言模型面临的一个重大挑战是幻觉（Hallucinations），特别是在大型语言模型（LLMs）处理数值或统计数据时，这个问题尤为突出，因此准确性显得至关重要。
谷歌的Data Commons是一个汇集了超过2400亿个数据点的存储库，这些数据点来自于联合国和疾病控制与预防中心等可信组织。
通过利用这个庞大的统计数据集，基于 Gemini 的 DataGemma 可以显著提高模型的准确性，确保其输出基于真实可靠的现实世界信息。
DataGemma 方法的核心在于两项关键技术：检索交错生成（RIG）和检索增强生成（RAG）。这两种技术通过在生成过程中引入基于真实数据的模型，从而减少了幻觉现象的出现。
以下是两项技术的简要介绍：
或者：
下面简单介绍两种技术：
或者：
以下是简要介绍的两项技术：
（具体选择哪种表达方式可以根据上下文和语境来决定）
请问您能提供需要重写的文本内容吗？目前只看到了"RIG"三个字母，不足以确定文本的完整内容。
DataGema 通过主动查询可信来源并生成回答的方式来运行。在收到提示词后，DataGema 会识别查询中的统计数据点，并从数据共享平台获取准确信息。
例如，如果被问到“全球可再生能源的使用量是否有所增加？”这个问题，该模型会在回答中加入实时统计数据，以确保事实的准确性。
请提供需要重写的文本内容。
在生成回答之前，将从数据共享平台检索相关信息，进一步提升回答的质量。通过 Gemini 1.5 Pro 实现的长上下文窗口，DataGema 确保了回答的全面性，并引入表格和脚注以提供更丰富的背景信息，从而减少虚构内容的出现。
注：原文中的“DataGemma”和“Gemini 1.5 Pro”为专有名词，直接沿用了原文表述。如需调整，请告知。
谷歌对 RIG 和 RAG 的研究仍处于初级阶段，但初步成果令人鼓舞。通过将现实世界的数据嵌入回复中，DataGema 模型在处理数值事实和统计查询方面表现出显著的提升。研究团队已经发表了论文详细描述了他们的方法，并强调了这些技术如何帮助大型语言模型（LLMs）判断何时应依赖外部数据而非仅依靠内部参数。
