本研究提出了DeepRAG框架，旨在解决大型语言模型的事实幻觉问题，提升信息检索的效率和准确性，回答准确率提高了21.99%，显示出良好的应用潜力。

本文介绍了一种名为“词的思考”（ToW）的数据增强方法，用于改善下一词预测中的事实幻觉和效率问题。通过从大型模型中提取ToW注释，使用70K注释可提升模型推理能力7%至9%，并减少高达10%的幻觉现象，显示出显著潜力。

本研究分析大型语言模型在生成查询时的幻觉问题，提出了“相关性幻觉”和“事实幻觉”两种类型。引入了无模型依赖的指针生成器LargePiG，实验结果表明其在多个数据集上表现出色，能够有效减少幻觉现象，提高问题的准确性。