长文问答中细粒度的幻觉检测与缓解

该论文探讨了长篇问答任务中的评估和数据集构建挑战，指出现有的 ROUGE-L 评估不具信息性，且训练集和验证集存在显著重复。

提出了一种新的端到端框架，旨在生成更加真实准确的答案，通过增加细粒度的相关信息来强化生成模型。

研究了长篇问答系统的相关性、可靠性和简洁性，强调答案质量的改进。

发现自动文本生成的评价指标不能预测人类喜好，建议未来评估应注重准确性、完整性和客观性等多个方面。

引入复杂的数据集 DelucionQA，分析大型语言模型生成的幻觉现象，并提出幻觉检测方法作为未来研究的基准。

提出了一种交互自我反思的方法来减少医学生成型问答系统中的幻觉现象，实验证明该方法优于基线模型。

提出了自动细粒度幻觉检测的新任务，并建立了涵盖六种层次定义的幻觉类型的综合分类法。

通过 Langchain 框架提出了一种新方法，解决数据表重型领域中的自动问答问题，实现了高置信度的用户查询响应。

发现大型语言模型在生成复杂问题的长篇答案时在某些低资源语言方面的质量明显下降，强调了进一步研究的需求。