多视角一致性校验的大语言模型幻觉检测：一种黑盒零资源方法

孔令刚; 钟晓峰; 陈杰; 付浩然; 王永杰

doi:10.1631/FITEE.2500180

Your Location：

Home >

Browse articles >

多视角一致性校验的大语言模型幻觉检测：一种黑盒零资源方法

常规文章 | Updated：2026-01-07

- 多视角一致性校验的大语言模型幻觉检测：一种黑盒零资源方法
- Multi-perspective consistency checking for large language model hallucination detection: a black-box zero-resource approach
- “在报告人工智能领域的最新进展时，研究人员开发了一种黑盒零资源方法，用于检测大型语言模型中的幻觉。这种创新方法利用了多视角一致性检查，在不依赖外部资源的情况下显著提高了错误内容的检测。”
- Frontiers of Information Technology & Electronic Engineering 2025年26卷第11期页码：2298-2309
- Affiliations：
  
  1.College of Electronic Engineering, National University of Defense Technology, Hefei 230037, China
  2.Anhui Province Key Laboratory of Cyberspace Security Situation Awareness and Evaluation, Hefei 230037, China
- Author bio：
  
  E-mail: konglinggang@nudt.edu.cn
  ‡ Corresponding author
- Funds：
- DOI：10.1631/FITEE.2500180
  中图分类号： TP18
- 收稿：2025-03-21，
  
  修回：2025-10-08，
  
  网络出版：2025-11-24，
  
  纸质出版：2025-11
- Accepted：
Scan QR Code
孔令刚, 钟晓峰, 陈杰, 等. 多视角一致性校验的大语言模型幻觉检测：一种黑盒零资源方法[J]. Frontiers of Information Technology & Electronic Engineering, 2025,26(11):2298-2309.

Linggang KONG, Xiaofeng ZHONG, Jie CHEN, et al. Multi-perspective consistency checking for large language model hallucination detection: a black-box zero-resource approach[J]. Frontiers of Information Technology & Electronic Engineering, 2025, 26(11): 2298-2309.
孔令刚, 钟晓峰, 陈杰, 等. 多视角一致性校验的大语言模型幻觉检测：一种黑盒零资源方法[J]. Frontiers of Information Technology & Electronic Engineering, 2025,26(11):2298-2309. DOI： 10.1631/FITEE.2500180.

Linggang KONG, Xiaofeng ZHONG, Jie CHEN, et al. Multi-perspective consistency checking for large language model hallucination detection: a black-box zero-resource approach[J]. Frontiers of Information Technology & Electronic Engineering, 2025, 26(11): 2298-2309. DOI： 10.1631/FITEE.2500180.

浏览量

Downloads

CSCD

文章被引用时，请邮件提醒。

Submit

工具集

关联资源

暂无数据

多视角一致性校验的大语言模型幻觉检测：一种黑盒零资源方法

Multi-perspective consistency checking for large language model hallucination detection: a black-box zero-resource approach

DOI：10.1631/FITEE.2500180