本文是LLM系列文章，针对《Augmented Large Language Models with Parametric Knowledge Guiding》的翻译。
摘要
大型语言模型（LLM）凭借其令人印象深刻的语言理解和生成能力，显著提高了自然语言处理（NLP）。然而，由于对相关数据的了解有限，对于需要专业知识的特定领域任务，它们的性能可能不太理想。此外，大多数最先进的LLM（只能通过API访问）缺乏透明度，阻碍了对域自定义数据的进一步微调。此外，向LLM所有者提供私人数据会导致数据隐私问题。为了应对这些挑战，我们提出了一种新的参数化知识引导（PKG）框架，该框架为LLM配备了一个知识引导模块，以便在不改变LLM参数的情况下访问相关知识。我们的PKG基于开源的“白盒”语言模型，允许LLM所需的任何知识的离线存储。我们证明，我们的PKG框架可以提高“黑匣子”LLM在一系列领域知识密集型任务中的性能，这些任务需要事实（+7.9%）、表格（+111.9%）、医学（+3.0%）和多模态（+8.1%）知识。
1 引言
2 相关工作
3 LLM的参数化知识引导
4 实验
5 结论
在这项工作中，我们提出了一种新的参数化知识引导（PKG）框架，通过为“黑匣子”LLM配备知识引导模块来提高它们在特定领域任务中的性能。我们的方法允许在运行时访问相关知识，而无需更改LLM的参数。实验证明了我们的PKG框架对各种领域知识密集型任务的有效性。
限制和未来工作。尽管我们的PKG在所提供的数据集上表现出了强大的性能，但它们仍然可能存在幻觉错误，导致提供不正确的背景知识。我们在附录E中提供了此类错误的例子。将我们的方法与检索方法相结合，以提高生成忠实度是未来研究的一个有希望的方向。
