本文介绍了建立三个独立的 LLM 模型 —— 理解、经验和事实 —— 以综合当今单一 AI 模型存在的挑战。我们通过多长度分词的思路来保护关键信息资产，最后我们使用一些最先进的现有模型进行法律幻觉的检验，并得到了一些有趣的结果。

Jun, 2023

揭示了大型语言模型存在的幻觉问题，通过整合外部知识与提示信息，检验了检索增强生成（RAG）的能力，实验证明 RAG 在某些情况下能提高准确性，但仍然可能受到与模型预训练理解相抵触的提示的误导，研究结果强调了幻觉的复杂性以及确保大型语言模型在实际应用中可靠性的更强大解决方案的必要性，并提供了 RAG 部署的实用建议和对更值得信赖的大型语言模型开发的影响。

Mar, 2024

本研究通过系统回顾 14 个数据库，分析了 “AI 幻觉” 这一术语的定义，并将其按应用领域进行分类，发现使用该术语的一致性不足，提出了几个替代术语，并呼吁在涉及多个领域的重要当代 AI 问题上实现更加统一的共识。

Jan, 2024

提出了一种利用检索增强生成（RAG）的系统来改进结构化输出质量、减少生成 AI 中的幻觉，并提高 LLM 在领域外场景中的泛化能力的企业应用部署方法。

Apr, 2024

律师常见的经验法则错误假设对大型语言模型的查询及其常见的法律幻觉有极高百分比的影响，通过比较与结构化法律元数据的调查结果，并研究法律规定的一系列查询结果，我们开发了一种法律幻觉的分类方法，并提醒了不应迅速自主将流行的大型语言模型整合到法定任务中。

Jan, 2024

通过原型设计、扩展和利用人类反馈对 LLMs 进行演化的三个阶段，以及本文中提出的新的数据生成模块，有助于确保生成式 AI 聊天机器人、自动报告和警报的可靠性和高质量，以支持关键的决策过程。

Nov, 2023

这篇论文综述了 32 种技术，旨在减轻大型语言模型中的幻觉问题，其中包括检索增强生成、知识检索、CoNLI 和 CoVe 等方法，并提出了基于数据集利用、常见任务、反馈机制和检索器类型等参数的分类方法，以区分专门设计用于解决大型语言模型幻觉问题的各种方法。此外，还分析了这些技术中存在的挑战和局限性，为未来研究提供了坚实的基础。

Jan, 2024

本文介绍了用于分析不同领域和任务中基于检索增强生成（RAG）大型语言模型（LLMs）中词级幻觉的 RAGTruth，这是一个用于测量幻觉程度的基准数据集，并评估了多种现有的幻觉检测方法，在幻觉检测方面，通过使用高质量的数据集如 RAGTruth，可以对相对较小的 LLM 进行微调，并实现与使用 GPT-4 等最先进的大型语言模型的基于提示的方法相媲美的性能水平。

Dec, 2023

本文阐述了人工智能幻觉的根本原因及其在人工智能中的重要意义，并就幻觉分类进行了研究，包括机器翻译、问答系统、对话系统、摘要系统、基于大语言模型的知识图谱以及视觉问答等多个任务。同时，本研究探讨了缓解幻觉的潜在策略，旨在提高大语言模型的整体可靠性。该研究属于 HeReFaNMi（Health-Related Fake News Mitigation）项目的一部分，该项目得到 NGI Search 的慷慨支持，旨在抑制互联网上健康相关虚假新闻的传播，致力于在不断演进的人工智能技术时代保护信息传播的完整性。

Nov, 2023

通过总结当前人工智能中的幻觉工作并提出一些未来研究方向，我们对人工通用智能中的幻觉问题进行了全面的概述。

Jan, 2024