LatentAudit - Kerwin AI Information

📌 本文重點

光看檢索分數與事後自評難以即時監控幻覺

LatentAudit 直接讀殘差流幾何結構估真實度分數

可在 RAG pipeline 中低延遲加入實時 guardrail

在實務 RAG 專案裡，光靠「檢索品質 + 事後自評/投票」抓幻覺是不夠的：
– 檢索成功 ≠ 回答一定忠於證據（模型還是會自由發揮）
– 自評 / judge 模型會 吃額外 Token 和延遲，流量大時成本爆炸
– 多輪對話、串接工具後，哪一步開始幻覺常常完全沒監控

💡 關鍵： 只靠檢索分數和事後評審，既無法即時阻斷幻覺，又會讓延遲與成本大幅增加。

LatentAudit 提供另一條路：直接讀取生成模型的 殘差流（residual stream）幾何結構，在推理中測量「模型內部狀態」與檢索證據之間的 馬氏距離，做到：

不需要額外 judge 模型
sub-millisecond 延遲、可 16-bit 固定點實作
少量標註就能校準成實用的 真實度分數，在 API 層或 UI 層直接觸發 fallback

重點說明

1. 為什麼傳統 RAG 監控做不到「實時 + 便宜」

實務上的典型做法：

只看檢索分數：例如 cosine 相似度、BM25 分數
問題：檢索到對的文獻，但模型回答的細節錯了（over-generalize, mis-attribute）完全抓不到。
事後自評 / 多模型投票：
用 judge LLM 問「這個回答是否根據檢索到的內容？」
或讓多個模型生成，再投票 / 聚合。
問題：
- 推理路徑變成：檢索 → 回答 → 評審，延遲翻倍以上
- 成本和吞吐量吃不消，很難在大規模 production 開啟
- judge 模型本身也會幻覺，還得再校準
log 後離線分析：
用人審 / labeling 分析錯誤 pattern
問題：無法 實時阻斷 危險輸出（醫療/法律/金融）

LatentAudit 直接把監控塞進 生成時的 forward pass：

白盒讀取中後段 殘差流 activation
與「證據 representation」做幾何對齊度測量
即時計算 距離 → 真實度分數 → 決策（放行 / fallback）

💡 關鍵： 把監控邏輯塞進 forward pass，能在幾乎零額外延遲下拿到可用的真實度分數。

2. LatentAudit 的核心做法（殘差幾何 + 馬氏距離）

架構概念：

選定幾層殘差流：例如 Llama-3-8B 的 layer 20–30 殘差向量 ( h_l )
建一個 evidence representation ( e )：
通常來自：
- 把所有檢索到的 passages 拼在一起，取 encoder / 第一層 decoder 的 CLS / BOS 向量
- 或平均檢索 chunks 的 embedding
在訓練（校準）階段：
收集 (question, evidence, answer) 三元組，並有「忠於證據 / 不忠」標註
對每個樣本取出中後段殘差流，做 pooling（例如平均或拼接）：

[
z = P(h_{l_1}, …, h_{l_k})
]
在 latent 空間中估計「忠實」分佈的均值 ( \mu ) 和協方差 ( \Sigma )
定義馬氏距離規則：
把 residual 表示 ( z ) 投影到 evidence 表示空間，或做簡單線性對齊，最後計算

[
d_M(z, e) = (z – W e – b)^T \Sigma^{-1} (z – W e – b)
]
這就是 LatentAudit 的核心：一條二次判別規則（不需要深 judge 模型）
校準成真實度分數：
用 held-out 集合做 threshold / logistic calibration，得到：

[
s_{faith} = \sigma(\alpha \cdot d_M(z,e) + \beta)
]
( s_{faith} ) 越接近 1 表示越「有可能忠於證據」。

因為只做矩陣乘、向量內積和少量逆協方差運算，
可以用 16-bit fixed point 實作，延遲在 0.x ms 級別，可進一步配合 Groth16 做可驗證計算（不展開細節）。

💡 關鍵： 使用 16-bit 固定點與馬氏距離，使得真實度評估可以在 sub-millisecond 延遲下完成。

如何嵌入既有 RAG pipeline

你需要：
– 可白盒存取的模型（Llama、Qwen、Mistral 等開源或自託管）
– 在 forward 裡 hook activation，並在生成過程中同步喂入 evidence 表示

常見 stack：

OpenAI compatible API（自託管 vLLM / Ollama 上掛開源模型）
各種向量庫（PGVector、Milvus、Weaviate、Qdrant、Elastic，…）

典型 pipeline：

user query → 檢索（向量庫） → 構造 prompt + evidence
呼叫 自託管模型（非黑盒雲 API）生成
在生成中，LatentAudit 模塊監控殘差流 → 算馬氏距離 → 輸出真實度分數
API 返回：{ answer, faithfulness_score }
前端 / Orchestrator 根據 score 做 fallback 策略。

實作範例

以下以 vLLM + Llama3 自託管為例，展示核心落地點（偽碼 + Python 範例）。

1. 在 HF 模型上 hook 殘差層

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

MODEL_NAME = "meta-llama/Meta-Llama-3-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME, torch_dtype=torch.bfloat16, device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)

TARGET_LAYERS = [20, 24, 28]
residual_acts = []


def make_hook(layer_idx):
    def hook(module, input, output):
        # input[0] 通常是 residual stream
        # 只取最後一個 token 的向量，減少開銷
        h = input[0][:, -1, :].detach().to(torch.float32)
        residual_acts.append((layer_idx, h))
    return hook


for idx, blk in enumerate(model.model.layers):
    if idx in TARGET_LAYERS:
        blk.register_forward_hook(make_hook(idx))

2. 建立 evidence representation

假設你已經從向量庫拿到 top-k passages：

def build_evidence_rep(passages: list[str]):
    text = "\n".join(passages)[:4096]  # 避免太長
    inputs = tokenizer(text, return_tensors="pt").to(model.device)
    with torch.no_grad():
        out = model.model(**inputs, output_hidden_states=True)
    # 用最後一層 hidden state 的 BOS / 第一 token 表示
    e = out.hidden_states[-1][:, 0, :].detach().to(torch.float32)
    return e  # shape: [1, d]

3. 馬氏距離計算 + 校準

事前你要離線擬合：
– W、b、Σ^{-1}、α、β（可用 sklearn 或手寫）

線上部分簡化為：

# 假設以下參數已離線訓練好並載入
W = torch.load("wa_projection.pt")         # [d_residual, d_e]
b = torch.load("wa_bias.pt")              # [d_residual]
Sigma_inv = torch.load("wa_sigma_inv.pt")  # [d_residual, d_residual]
alpha, beta = torch.load("wa_logistic.pt")


def latent_audit_score(evidence_vec, residual_acts):
    # pooling residual: 取指定層平均
    hs = [h for idx, h in residual_acts if idx in TARGET_LAYERS]
    H = torch.stack(hs, dim=1).mean(dim=1)  # [1, d_residual]

    # 對 evidence 做線性對齊
    e_proj = (evidence_vec @ W.T) + b  # [1, d_residual]

    diff = (H - e_proj)  # [1, d_residual]
    # 馬氏距離
    d_M = (diff @ Sigma_inv @ diff.transpose(0,1))[0,0]

    # logistic 校準成 [0,1]
    score = torch.sigmoid(alpha * d_M + beta).item()
    return score

生成時流程：

def rag_answer_with_faith(query, passages):
    residual_acts.clear()

    evidence_vec = build_evidence_rep(passages)  # [1,d]

    prompt = build_rag_prompt(query, passages)  # 你的 RAG prompt 模板
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

    with torch.no_grad():
        out = model.generate(
            **inputs,
            max_new_tokens=256,
            do_sample=False,
        )

    answer = tokenizer.decode(out[0][inputs.input_ids.shape[1]:], skip_special_tokens=True)
    score = latent_audit_score(evidence_vec, residual_acts)

    return {
        "answer": answer,
        "faithfulness_score": score,
    }

這邊只在 一次 forward + generate 裡多做幾個矩陣運算，延遲增量極小；你可以把結果包成 OpenAI 兼容 API 回傳：

{
  "id": "chatcmpl-...",
  "object": "chat.completion",
  "choices": [
    {
      "message": {
        "role": "assistant",
        "content": "...",
        "faithfulness_score": 0.82
      }
    }
  ]
}

前端或 Orchestrator 可以直接讀 faithfulness_score 做決策。

💡 關鍵： 直接在 API 回傳中加入 faithfulness_score，可讓前端與協調層即時採用不同的 fallback 策略。

4. Fallback 策略示例（醫療 / 法律 / 客服）

簡單策略：

THRESHOLD_WARN = 0.7
THRESHOLD_BLOCK = 0.4


def route_by_faithfulness(result):
    s = result["faithfulness_score"]

    if s < THRESHOLD_BLOCK:
        # 高風險：重新檢索 + 明確要求引用 evidence，或升級人工
        return {
            "mode": "escalate",
            "message": "本次回答可信度較低，已轉交人工處理。",
        }
    elif s < THRESHOLD_WARN:
        # 中風險：要求模型引用更多 evidence / 提示使用者核對
        return {
            "mode": "warn",
            "message": "以下回答可能不完全可靠，請以實際條文/文獻為準。",
        }
    else:
        # 正常放行
        return {
            "mode": "ok",
            "message": "",
        }

實際場景：

醫療問答：mode == "escalate" 時強制顯示「非醫療建議」，並把 case 丟進人工客服隊列
法律諮詢：mode == "warn" 模式時要求模型 列出具體條文/條號 並顯示原文片段
客服查詢：低分時先做 重新檢索（不同索引 or 更寬鬆 query） 再生成一次，若仍低分再轉人工

多模型 / 多輪對話：
– 對每輪回答都算一個 faithfulness_score，記錄在對話 state
– 對 工具返回 / 多模型投票輸出 也可以跑 LatentAudit，看哪個候選與 evidence 更對齊，再做投票加權

建議與注意事項

1. 必須白盒存取模型

無法在 OpenAI / Anthropic 純雲端黑盒模型上做（拿不到殘差流）
適合：
自託管 Llama / Qwen / Mistral 等
Ollama / vLLM，但要在本地 wrap core HF 模型 做 hook，而不是只用遠端 HTTP

2. 殘差層選擇與標準化影響很大

中後段層（例如 60–80% depth）通常信號最好
建議在校準時網格搜尋：
選幾組 layer subset + pooling 策略（最後 token / mean / concat）
對每組分別訓練 W、Σ^{-1}，選 AUROC / AUPRC 最佳
標準化：
建議對 residual 做 per-dimension z-score 或 whitening，有助於 Σ^{-1} 穩定

3. 校準集的 domain mismatch 是大坑

如果你用 PubMedQA 上的校準結果直接套到法律問答，誤報 / 漏報會很嚴重
建議：
至少針對你的業務 domain 收集 數百到數千個標註樣本
type 要包含：
- 正確且完全有證據支撐
- 幻覺 / 瞎掰
- 部分支持（evidence 裡只有一半說法）

4. 隱私與合規下收集校準資料

若資料有 PHI / PII：
在內網做標註與訓練，不要把 prompt / evidence / answer 傳出公司
可以只存 殘差向量 + 二元標籤，丟棄原文內容，以降低隱私風險
若需要對外可驗證（尤其在金融 / 公共服務）：
考慮用論文中的 16-bit fixed-point 實作 + Groth16，在不洩漏權重/activation 的前提下提供「監控邏輯正確執行」的證明

5. 與現有評估/監控系統的整合

LatentAudit 不是用來取代離線評估（BLEU, Rouge, factuality benchmark），而是：
補上一層 以模型「內在狀態」為基準的實時 guardrail
建議實務策略：
離線：用 benchmark / 人工評估確認 RAG pipeline 基本可靠
線上：啟用 LatentAudit，只作「低分拋錯/告警」，不要一開始就用來做 aggressive block
每隔一段時間（例如每週）抽樣「被 block / warn 的案例」做人工 review，調整 threshold / 校準

對你的專案的實際好處：
– 在不引入第二個 LLM 的前提下，把幻覺監控塞進現有 RAG 路徑，几乎不加延遲
– 增加一個 可量化、可調整的真實度分數，方便 API / UI / workflow 做自動化 fallback
– 線上問題不再只有「出事後看 log」，而是可以 即時標記高風險回答，甚至直接攔截，特別適合醫療、法律、金融、客服等高風險場景。

🚀 你現在可以做的事

在現有自託管 Llama / Qwen / Mistral 專案中，加上殘差層 hook 並輸出簡單的 faithfulness_score

針對你的業務 domain 收集一批「忠於證據 / 幻覺 / 部分支持」標註樣本，用來擬合 W、Σ^{-1} 與校準參數

在 API 回傳中加入 faithfulness_score，並在前端或 Orchestrator 中實作最簡版本的 warn / block / escalate 策略

標籤: LatentAudit

LatentAudit：用殘差幾何盯住 RAG 幻覺