Google 发布 DataGemma AI LLM

DataGemma 是 Google 在 2024 年 9 月发布的开源模型系列，目标是把大模型的回答锚定在真实统计数据上，缓解 hallucination 问题。模型与 Google 自家的 Data Commons 直接打通——这是一座覆盖联合国、WHO、CDC 和各国统计局的公共知识图谱，包含 2400 亿条数据点、跨越数十万个统计变量。Data Commons 提供 AI 驱动的自然语言接口，可以用人话查询非洲各国电力普及率变化、美国各郡收入与糖尿病发病的相关性等问题；DataGemma 把这套数据源接到 Gemma 2 模型的生成流程里。

在方法层面，DataGemma 给出两条互补路径。RIG，即 Retrieval-Interleaved Generation，让 Gemma 2 在生成过程中主动识别出涉及统计数据的句子，并实时去 Data Commons 查询权威数值替换。RAG 这条路径借助 Gemini 1.5 Pro 的长上下文窗口，在模型回答之前先把相关数据从 Data Commons 拉到提示里，再让模型基于真实数据生成带脚注的回应。两种方式都已开放在 Hugging Face 上的模型权重和 Colab 上的快速上手 notebook。

对读者而言，DataGemma 是把"事实接地"这件事从研究论文推到可调用模型的一次尝试。Google 在博客中坦言研究仍处早期，但初步结果显示数值类问题的准确率明显上升。把官方统计数据接入大模型生成回路，意味着政策制定者、研究人员、媒体在使用 LLM 处理涉及人口、健康、经济数据的问题时，可以拿到带来源标注的答案。