在当今人工智能（AI）研究中，一项新兴技术可能会显著改善生成式AI和大型语言模型（LLMs）的运行方式。这项研究提出一种创新的方法，旨在减少AI的幻觉现象并提高其事实性。这种方法的核心在于重新设计AI模型内部的处理流程，进而克服目前生成回应时的局限。

目前的AI模型通常是以“传递”的方式运行，最终的回应仅是最后一个组件的结果，过程中其他组件的处理结果则被忽略。这项研究建议，在生成回应的最终阶段，增加一个机制来回顾之前每个阶段的处理过程，这样可以更全面地分析并确定最终结果应该是什么。

为了更好地理解这个概念，可以用一个模拟来说明：假设有十个人排成一列，每个人都在尝试解决同一个数学问题。每个人都根据前一个人的答案来给出自己的答案，这样一来，最终的答案可能会受到前面几个人的影响，但最终的接收者却只能看到最后一个人的答案，无法得知过程中的其他答案。这样的情况可能导致错误的结果。

这项研究的关键在于，当AI模型生成最终回应时，应该考虑到之前各层的输出，这样可以更好地集成资讯，提高最终答案的准确性。研究指出，这种方法不需要对现有的人工神经网络进行大规模的代码修改，而是可以在不干扰原有结构的情况下，增加一个新的处理步骤。

研究人员认为，将早期层的输出与最终层的输出结合，可以更好地稳定最终答案，减少生成虚假或不准确结果的风险。

此外，OpenAI的研究指出，当前的评估方法设置了“错误的奖励机制”，这是导致AI幻觉的重要根源。根据最新数据，OpenAI ChatGPT的GPT-5模型在幻觉率上比GPT-4降低了约45%至80%。这一创新方法的提出，无疑为解决当前LLMs面临的挑战提供了新的思路。这项研究是否能够突破现有AI设计的限制，仍有待观察，但它无疑为未来的AI发展提供了新的可能性。

研究成果发表在arXiv上，标题为《SLED: Self Logits Evolution Decoding for Improving Factuality in Large Language Models》。

（首图来源：shutterstock）