Reducing Hallucinations in Entity Abstract Summarization with Facts-Template Decomposition
Peking University(北京大学)
针对实体抽象摘要中PLM易产生幻觉的问题,提出将摘要分解为Facts与Template的SlotSum框架,并通过WikiFactSum验证其可借助外部知识提升事实性。
2024-02-29 cs.CL
Inducing Epistemological Humility in Large Language Models: A Targeted SFT Approach to Reducing Hallucination
本文提出HypoTermInstruct数据集,通过非现实术语问题训练模型知识谦逊,减少幻觉,实验显示其显著提升HypoTerm Score和FactScore,同时保持MMLU性能稳定。
2026-03-18 cs.CL
Fine-Tuned Large Language Models for Logical Translation: Reducing Hallucinations with Lang2Logic
Pennsylvania State University(宾夕法尼亚州立大学)
本文提出了一种通过微调大型语言模型来减少逻辑翻译中幻觉的框架,利用自定义语法和符号计算库生成可靠的合取范式。
2025-12-02 cs.AI cs.CL
Grounded Optimization: A Layered Engineering Framework for Reducing LLM Hallucination in Automated Personal Document Rewriting
提出五层接地优化框架,通过时间验证、污染检测、结构不变性、提示接地和评估器,将简历重写中的幻觉率降至0.04-0.24。
2026-07-03 cs.AI cs.CL
Knowledge Verification to Nip Hallucination in the Bud
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);Tencent AI Lab(腾讯AI实验室)
本文提出知识一致性对齐(KCA)方法,通过验证并减少对齐数据中外部知识与基础LLMs内在知识的不一致性,有效缓解模型幻觉问题,并在六个基准上验证了其卓越效果。
2024-09-22 cs.CL
Multi-Modal Fact-Verification Framework for Reducing Hallucinations in Large Language Models
Microsoft(微软)
针对大型语言模型易产生幻觉的问题,提出一个结合结构化数据库、实时网络搜索和学术文献的多源交叉核对事实核查框架,实时纠正错误,将幻觉减少67%,并获领域专家89%满意度。
2025-10-26 cs.AI cs.CL
Measuring and Reducing LLM Hallucination without Gold-Standard Answers
UC Santa Cruz(加州大学圣克鲁兹分校);ByteDance Research(字节跳动研究院);Northwestern University(西北大学)
本文提出FEWL幻觉度量方法,在无黄金标准答案时通过加权多个现成大语言模型的答案来测量并减少幻觉,实验证明其有效性。
2024-06-06 cs.AI cs.CL cs.LG
Reducing Hallucinations of Medical Multimodal Large Language Models with Visual Retrieval-Augmented Generation
NEC Laboratories America(美国NEC实验室);Purdue University(普渡大学);Lehigh University(里海大学)
针对医学多模态大语言模型的幻觉问题,提出融合图文数据的视觉检索增强生成框架V-RAG,在两个医学数据集上提升了实体探测准确率,还能生成更准确的X光报告,提高RadGraph-F1分数。
2025-02-20 cs.AI cs.CL
Coarse-to-Fine Highlighting: Reducing Knowledge Hallucination in Large Language Models
University of Science and Technology of China(中国科学技术大学)
本文提出COFT方法,通过知识图谱提取实体、计算上下文权重并动态选择关键文本,以从粗到细的高亮方式减少检索增强语言模型在长上下文中的知识幻觉,在F1指标上提升超过30%。
2024-10-19 cs.AI cs.CL
Faithful Activation Verbalization: Reducing Hallucinations in LLM Representation Interpretation
New Jersey Institute of Technology(新泽西理工学院);Shanghai AI Laboratory(上海人工智能实验室);Xi’an JiaoTong University(西安交通大学);Chinese Univerity of Hongkong, Shenzhen(香港中文大学(深圳))
AVPO通过两阶段框架(重建源文本并用冻结问答模型评估)结合直接偏好优化,显著减少激活言语化中的幻觉,提升信息恢复并超越基线。
2026-09-29 cs.CL
LLM Enhancer: Merged Approach using Vector Embedding for Reducing Large Language Model Hallucinations with External Knowledge
Department of Computer Science and Engineering, Jagannath University(计算机科学与工程系,贾甘纳思大学)
本文提出 LLM ENHANCER 系统,通过并行集成多个在线开源数据并利用向量嵌入筛选相关信息,有效减轻了大型语言模型在关键场景下的幻觉问题,同时保持了回复的自然性与准确性。
2025-04-29 cs.CL cs.LG
Micro-Macro Retrieval: Reducing Long-Form Hallucination in Large Language Models
Solar System of OVB, Tencent, China(OVB太阳系,腾讯,中国);The Hong Kong Polytechnic University, Hong Kong S.A.R.(香港理工大学,香港特别行政区);Jilin University, China(吉林大学,中国)
提出微宏检索(M2R)框架,通过宏观检索外部粗粒度证据和微观检索推理中关键信息库,解决长文本生成中关键信息与输出距离过远导致的幻觉问题。
2026-04-10 cs.AI cs.CL
RHO ($ρ$): Reducing Hallucination in Open-domain Dialogues with Knowledge Grounding
Center for Artificial Intelligence Research (CAiRE)(人工智能研究中心(CAiRE));Hong Kong University of Science and Technology(香港科技大学)
本文提出RHO模型,通过局部和全局知识接地结合知识图谱嵌入,并设计基于子图游走的重排序,显著减少开放域对话中的幻觉,在OpenDialKG上大幅超越现有方法。
2023-05-12 cs.AI cs.CL
Towards reducing hallucination in extracting information from financial reports using Large Language Models
BlackRock, Inc.(贝莱德集团)
本研究利用大语言模型结合检索增强生成与元数据,从财务报告问答中高效提取信息,减少幻觉,并通过客观指标验证了方法的优越性。
2023-10-16 cs.CL q-fin.PM q-fin.ST
Investigating the Role of Prompting and External Tools in Hallucination Rates of Large Language Models
Stellenbosch University(斯泰伦博斯大学)
本文实证评估多种提示策略及工具调用智能体对大语言模型幻觉率的影响,发现最佳提示方法因问题而异,简单方法常更有效,而外部工具会显著增加幻觉。
2024-10-25 cs.AI cs.CL
Mitigating Large Language Model Hallucination with Faithful Finetuning
The Chinese University of Hong Kong(香港中文大学);City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对大语言模型幻觉问题,本文提出 Faithful Finetuning(F2),通过精心设计的微调损失显式建模忠实问答过程,并在多个常用数据集上显著优于原始模型与基线。
2024-06-17 cs.CL
From "Hallucination" to "Suture": Insights from Language Philosophy to Enhance Large Language Models
Vanderbilt University(范德堡大学)
本文借鉴拉康“能指链”与“缝合点”理论,提出 Anchor-RAG 框架,从语言学根源上缓解 LLM 幻觉并提升性能,倡导可解释研究路径。
2025-03-18 cs.CL
Zero-Resource Hallucination Prevention for Large Language Models
Pennsylvania State University(宾夕法尼亚州立大学);GE HealthCare(通用电气医疗集团)
针对大语言模型幻觉问题,提出名为SELF-FAMILIARITY的预检测自评估技术,通过评估模型对输入概念的熟悉度、对不熟悉内容弃权生成来减少幻觉,在4种模型上表现优于现有方法,推动幻觉缓解转向事前预防。
2023-10-08 cs.CL
Iter-AHMCL: Alleviate Hallucination for Large Language Model via Iterative Model-level Contrastive Learning
Zhejiang Laboratory(浙江实验室);The Chinese University of Hong Kong(香港中文大学);Zhejiang University(浙江大学)
本文提出Iter-AHMCL方法,通过在有无幻觉数据上训练的正负模型对比修改预训练LLM表示层,在TruthfulQA上平均提升10.1分,有效缓解幻觉并保持模型通用能力。
2024-10-16 cs.AI cs.CL
A Concise Review of Hallucinations in LLMs and their Mitigation
Computer Engineering K J Somaiya Institute of Technology Mumbai, India;Data Science K J Somaiya Institute of Technology Mumbai, India;Information Technology K J Somaiya Institute of Technology Mumbai, India
本文简要回顾了大型语言模型中的幻觉现象及其缓解方法,探讨了幻觉的类型、成因及应对策略,为理解与减轻幻觉提供全面概述。
2025-12-02 cs.CL cs.LG
Progressive Training for Explainable Citation-Grounded Dialogue: Reducing Hallucination to Zero in English-Hindi LLMs
School of Artificial Intelligence and Data Engineering (SAIDE)(人工智能与数据工程学院);Indian Institute of Technology Jodhpur(印度理工学院朱罗普尔)
本文提出XKD-Dial,一种逐步四阶段训练流程,用于生成可解释的引用导向对话,通过跨语言适应、英语对话SFT与引用定位、双语对话SFT及GRPO对齐与引用感知奖励,减少幻觉并提升印地语能力。
2026-03-19 cs.AI cs.CL
Halo: Estimation and Reduction of Hallucinations in Open-Source Weak Large Language Models
University of Pittsburgh(匹兹堡大学);TikTok Inc.(字节跳动TikTok公司)
本文针对开源弱大型语言模型(如BLOOM 7B)的幻觉问题,提出HaloCheck框架量化幻觉严重程度,并通过知识注入和师生方法减少幻觉,实验证明其有效性。
2023-09-13 cs.AI cs.CL
Reducing Hallucination in Multimodal Large Language Models through Hard Grounding Preference Supervision
Meta AI
本文提出分阶段偏好优化框架,通过构建针对幻觉问题的数据集,提升视觉-语言模型的 grounded reasoning,减少幻觉并提高响应信息量。
2026-09-29 cs.AI cs.CL cs.CV
HICD: Hallucination-Inducing via Attention Dispersion for Contrastive Decoding to Mitigate Hallucinations in Large Language Models
Shanghai Advanced Research Institute, Chinese Academy of Sciences(上海先进研究院,中国科学院);University of Chinese Academy of Sciences(中国科学院大学)
提出HICD方法,通过选择关键注意力头并分散其注意力诱导幻觉,与原始输出对比解码,以缓解大语言模型幻觉,提升上下文忠实性和事实性任务性能。
2025-05-23 cs.AI cs.CL
GRAIT: Gradient-Driven Refusal-Aware Instruction Tuning for Effective Hallucination Mitigation
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Peking University(北京大学);Southwest Jiaotong University(西南交通大学);Shanghai Jiaotong University(上海交通大学);Chinese University of Hong Kong(香港中文大学)
针对拒绝感知指令调优(RAIT)的两大挑战,本文从梯度视角提出GRAIT框架,通过梯度驱动样本选择和自适应加权机制平衡拒绝准确性与有用性,在问答任务中显著优于现有方法,有效缓解幻觉。
2025-02-09 cs.CL
Can LLM be a Good Path Planner based on Prompt Engineering? Mitigating the Hallucination for Path Planning
College of Computer Science(计算机科学学院);Sichuan Normal University(四川师范大学);School of Information and Software Engineering(信息与软件工程学院);University of Electronic Science and Technology of China(电子科技大学)
本文提出S2RCQL模型,通过空间到关系转换、基于Q学习的路径规划算法和反向课程学习技术,缓解大语言模型在路径规划中的空间幻觉与上下文不一致幻觉,并在ERNIE-Bot 4.0上实现成功率和最优率23%--40%的提升。
2025-05-07 cs.CL
ART: Attention Replacement Technique to Improve Factuality in LLMs
Department of Automation and Intelligent Sensing, Shanghai Jiao Tong University(上海交通大学自动化与智能感知系);Fudan University(复旦大学);Alibaba Cloud Computing(阿里云计算)
本文提出ART技术,通过替换大语言模型浅层的均匀注意力模式为局部注意力模式,减少幻觉问题,适用于多种LLM架构。
2026-04-07 cs.CL
RAGognizer: Hallucination-Aware Fine-Tuning via Detection Head Integration
Computer Science Department(计算机科学系)
RAGognizer通过整合轻量级检测头,实现hallucination-aware微调,提升内部状态分离性并减少生成hallucination。
2026-04-17 cs.CL cs.LG
Enhancing Reliability across Short and Long-Form QA via Reinforcement Learning
State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University(多媒体信息处理国家重点实验室,计算机学院,北京大学)
本研究通过强化学习框架减少短篇和长篇问答中的幻觉问题,提升模型可靠性与事实可信度。
2025-11-19 cs.CL
From Misleading Queries to Accurate Answers: A Three-Stage Fine-Tuning Method for LLMs
Zhejiang University(浙江大学);Renmin University of China(中国人民大学);AI Research Center, WeDoctor Cloud(WeDoctor Cloud人工智能研究中心)
针对LLMs易受误导性输入影响的问题,提出一种三阶段微调方法,通过训练模型识别、纠正误导信息并生成准确答案,显著提升了回答准确性和事实性,减少了幻觉。
2025-05-30 cs.CL
Hallucinate at the Last in Long Response Generation: A Case Study on Long Document Summarization
Department of Artificial Intelligence, Chung-Ang University(人工智能系, Chung-Ang 大学);Adobe Research, USA(Adobe 研究,美国)
本文研究了大型语言模型在长响应生成中幻觉集中在后部的现象,并提出方法以提高长输出结尾的忠实性。
2026-01-13 cs.CL
Beyond Fine-Tuning: Effective Strategies for Mitigating Hallucinations in Large Language Models for Data Analytics
针对 LLM 在数据分析自然语言查询中的幻觉问题,本文评估结构化输出、规则执行、提示增强与语义层集成四种策略,证明其优于传统微调并提升结果可靠性。
2024-10-26 cs.AI cs.CL
Monitoring Decoding: Mitigating Hallucination via Evaluating the Factuality of Partial Response during Generation
本文提出监控解码(MD)框架,通过在生成过程中动态监控并利用基于树的解码策略修改易产生幻觉的关键token,有效提升了大模型的事实准确性并显著降低了计算开销。
2025-09-13 cs.CL cs.LG
ANAH: Analytical Annotation of Hallucinations in Large Language Models
Shanghai AI Laboratory(上海人工智能实验室);The Chinese University of Hong Kong(香港中文大学);Hong Kong University of Science and Technology(香港科技大学)
提出双语数据集ANAH,通过细粒度标注幻觉类型与纠正内容,揭示LLM幻觉累积规律,并训练出超越GPT-3.5、媲美GPT-4的幻觉标注器。
2024-05-30 cs.AI cs.CL
MoD-DPO: Towards Mitigating Cross-modal Hallucinations in Omni LLMs using Modality Decoupled Preference Optimization
University of Southern California(南加州大学)
本文提出MoD-DPO框架,通过引入模态感知正则化项和语言先验去偏惩罚,提升多模态大模型的模态对齐能力,实验表明其在多模态幻觉基准测试中表现优异。
2026-03-27 cs.CL cs.CV cs.LG
Hallucination, Monofacts, and Miscalibration: An Empirical Investigation
University of Pennsylvania(宾夕法尼亚大学);Department of Computer and Information Science(计算机与信息科学系)
本文通过实验证明,选择性加权可有效降低大型语言模型的幻觉,同时保持准确性,揭示了优化目标间的内在矛盾。
2026-03-03 cs.AI cs.CL
An Evolutionary Large Language Model for Hallucination Mitigation
BIOSTIM Laboratory Faculty of Medicine Salah Boubnider University Constantine, Algeria(BIOSTIM实验室医学院萨拉赫·布宾德大学阿尔及利亚科纳克特);Department of IFA Faculty of NTIC Abdelhamid Mehri University Constantine, Algeria(IFA部门NTIC学院阿卜杜勒哈米德·梅赫里大学阿尔及利亚科纳克特)
本文提出受进化计算启发的EvoLLMs框架,利用遗传算法自动生成高质量问答数据集以缓解大语言模型幻觉,实验表明其在深度、相关性和覆盖率上优于人工数据集,并接近人类幻觉缓解水平。
2024-12-03 cs.AI cs.CL
A Cause-Effect Look at Alleviating Hallucination of Knowledge-grounded Dialogue Generation
Institute of Education(教育学院);BNRist;KIRC, Institute for Artificial Intelligence(KIRC人工智能研究所);Tsinghua University(清华大学);Renmin University(人民大学)
本文用反事实推理分析知识 grounded 对话中知识噪声导致幻觉的因果机制,并提出利用对话—知识交互的轻量缓解方法,在不影响对话性能且适配多模型的前提下减少幻觉。
2024-04-04 cs.AI cs.CL
DOPRA: Decoding Over-accumulation Penalization and Re-allocation in Specific Weighting Layer
Northeastern University(东北大学);Sydney Smart Technology College(悉尼智能科技学院);Shanghai Jiao Tong University(上海交通大学);School of Electronic Information and Electrical Engineering(电子信息与电气工程学院)
本文提出DOPRA方法,通过在多模态大语言模型解码过程中对特定加权层施加过度累积惩罚与重新分配,并引入回顾性分配机制,有效缓解模型幻觉且无需额外资源。
2024-07-23 cs.AI cs.CL
HALO: Hallucination Analysis and Learning Optimization to Empower LLMs with Retrieval-Augmented Context for Guided Clinical Decision Making
University of North Texas(北德克萨斯大学);University of Tennessee(田纳西大学);University of Tennessee Health Science Center(田纳西大学健康科学中心)
本文提出HALO框架,通过查询变体生成、外部知识检索和最大边际相关性排序来减少医学问答中的幻觉,显著提升了Llama-3.1和ChatGPT的准确性,改善临床决策。
2024-09-18 cs.AI cs.CL
OmniHallu: Unified Hallucination Detection for Cross-Modal Comprehension and Generation in Multimodal Large Language Models
The University of Manchester(曼彻斯特大学);The University of Hong Kong(香港大学);Huazhong University of Science and Technology(华中科技大学);Shanghai Academy of Educational Sciences(上海市教育科学研究院);National University of Singapore(新加坡国立大学)
提出OmniHallu统一幻觉检测框架及含万样本的基准,覆盖六种跨模态任务,通过多智能体架构和偏好优化验证器减少专家调用66%,揭示模态相关性能梯度。
2026-09-11 cs.CL cs.CV
Hallucination Detox: Sensitivity Dropout (SenD) for Large Language Model Training
McGill University(麦吉尔大学);Polytechnique Montréal(蒙特利尔理工学院);Université de Montréal(蒙特利尔大学);Mila - Quebec Artificial Intelligence Institute(魁北克人工智能研究所);CIFAR AI Chair(CIFAR人工智能主席)
针对大语言模型幻觉问题,提出敏感性丢弃(SenD)训练协议,通过丢弃高方差嵌入索引降低训练方差,并开发高效特征值分数(EES)指标,提升模型可靠性达17%,且不影响下游性能。
2025-10-06 cs.AI cs.CL math.SP
Confidence-Aware Routing for Large Language Model Reliability Enhancement: A Multi-Signal Approach to Pre-Generation Hallucination Mitigation
AI Safety Research(人工智能安全研究);Convai Innovations(Convai创新)
针对大语言模型的幻觉问题,提出融合三类信号的置信度感知路由系统,生成前主动评估不确定性并分流查询,在知识密集型问答基准上显著提升幻觉检测效果与F1分数,同时降低计算成本。
2025-09-23 cs.AI cs.CL
Physio-DPO: Aligning Large Language Models with the Protein Energy Landscape to Eliminate Structural Hallucinations
Xi’an Jiaotong University(西安交通大学)
Physio-DPO通过引入物理感知的目标,将蛋白质语言模型与热力学稳定性对齐,有效减少结构幻觉并提升折叠性。
2026-01-02 cs.CE cs.CL q-bio.QM
Enhancing Knowledge Graph Construction: Evaluating with Emphasis on Hallucination, Omission, and Graph Similarity Metrics
CNRS(法国国家科学研究中心);Université de Bourgogne(勃艮第大学);ICB(布尔戈尼计算机科学实验室)
本文针对知识图谱构建中的幻觉与遗漏问题,提出引入BERTScore和95%图匹配阈值的增强评估框架,通过Mistral模型微调实验证明其能提升构建准确性但泛化能力下降,强调全面评估指标的重要性。
2025-02-07 cs.AI cs.CL
Reducing Hallucinations in Neural Machine Translation with Feature Attribution
Imperial College London(帝国理工学院);University of Sheffield(谢菲尔德大学)
针对神经机器翻译在低质量数据集训练下易产生流畅但与源句无关的幻觉问题,本研究用特征归因方法分析幻觉模型行为,提出无需从头训练即可大幅减少幻觉的新型损失函数。
2023-06-14 cs.CL
Teaching Language Models to Hallucinate Less with Synthetic Tasks
UC Berkeley(加州大学伯克利分校);Microsoft Research(微软研究院);UIUC(伊利诺伊大学厄巴纳-香槟分校);Hippocratic AI(希波克拉底人工智能公司)
针对大语言模型在抽象摘要任务中易产生幻觉且难优化评估的问题,提出SynTra方法,通过合成任务前缀调优系统提示词并迁移到真实任务,有效降低13B参数模型的幻觉,且微调全模型反而会加剧幻觉。
2023-11-07 cs.CL cs.LG
Teaching Audio-Aware Large Language Models What Does Not Hear: Mitigating Hallucinations through Synthesized Negative Samples
Graduate Institute of Communication Engineering(通信工程研究生院)
本文提出LISTEN方法,通过骨干LLM合成负样本进行类对比学习训练,在不修改LLM参数、仅用轻量适配器的条件下,有效缓解音频感知大语言模型的声事件幻觉,并在现有音频问答与推理基准上保持高性能,同时数据和计算效率更高。
2025-07-01 cs.CL cs.SD eess.AS
Not All Needles Are Found: How Fact Distribution and Don't Make It Up Prompts Shape Retrieval, Reasoning, and Hallucination in Long-Context LLMs
Department of Electrical Engineering & Computer Science University of Michigan(电气工程与计算机科学系 密歇根大学)
研究大语言模型中事实分布和反幻觉提示对检索、推理及幻觉的影响,通过扩展基准评估多个模型,识别出分布崩溃和安全代价两种失败模式,发现许多失败源于无效上下文利用,强调特定模型稳健性和上下文管理的重要性。
2026-07-16 cs.AI cs.CL
HDLCoRe: A Training-Free Framework for Mitigating Hallucinations in LLM-Generated HDL
University of Southern California(南加州大学)
针对大语言模型生成硬件描述语言时因数据稀缺产生幻觉的问题,提出免训练框架HDLCoRe,结合HDL感知自验证思维链提示与两阶段异构RAG,在RTLLM2.0基准上显著减少幻觉、提升代码正确性。
2025-03-18 cs.AI cs.CL
Multi-stage Prompt Refinement for Mitigating Hallucinations in Large Language Models
Department of Artificial Intelligence, Korea University(人工智能系,韩国大学)
针对提示词结构不良导致的幻觉问题,提出多阶段提示词优化(MPR)框架,利用微调的小语言模型逐阶段修正错误并增强清晰度,在幻觉基准上实现超85%胜率,可有效减少幻觉并兼容现有缓解框架。
2025-10-14 cs.AI cs.CL cs.LG
Why Fine-Tuning Encourages Hallucinations and How to Fix It
Hebrew University of Jerusalem(海法大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Technion – Israel Institute of Technology(技术学院 – 以色列理工学院);University of Southern California(南加州大学)
本文探讨微调导致幻觉的原因,提出基于自蒸馏的微调方法以减少幻觉,通过抑制输出分布漂移提升事实学习效果。
2026-09-29 cs.AI cs.CL cs.LG
Reducing Quantity Hallucinations in Abstractive Summarization
Institute for Language, Cognition and Computation(语言、认知与计算研究所);University of Edinburgh(爱丁堡大学)
众所周知,摘要容易让人产生幻觉-包括原文没有支持的材料。虽然可以通过将摘要限制为一般短语来使摘要不产生幻觉,但这样的摘要将无法提供非常多的信息。或者,人们可以通过验证摘要中的任何特定实体在类似的上下文中出现在原始文本中来避免幻觉。这就是我们的系统所采取的方法,赫尔曼。系统学习识别和验证数量实体(日期,数字,金额等)。在由最先进的模型制作的大量抽象摘要中,以便提高原始文本支持数量术语的摘要的排名。实验结果表明,这样的排名上升的摘要的ROUGE分数具有更高的精度比没有被提升排名的摘要,没有相当的召回损失,导致更高的F $_1$。对排名上升的摘要与原始摘要的初步人类评估显示了人们对前者的偏好。
2020-09-28 cs.CL
FiSTECH: Financial Style Transfer to Enhance Creativity without Hallucinations in LLMs
Corporate Data and Analytics Office (CDAO), Accenture LLP(埃森哲有限责任公司企业数据与分析办公室(CDAO))
本研究提出FiSTECH两阶段微调策略,通过先允许LLM产生幻觉再手动纠正,在金融报告生成中显著提升写作创造力并降低幻觉,实现两倍问答准确率提升和超50%幻觉减少。
2024-11-17 cs.AI cs.CE cs.CL