减少大型语言模型中的幻觉问题可以通过七种策略实现：1. 使用检索增强生成（RAG）确保回答基于可靠数据；2. 关键声明需引用来源；3. 使用工具调用而非自由回答；4. 添加生成后验证步骤；5. 偏向引用而非改写；6. 校准不确定性并优雅失败；7. 持续评估和监控。这些方法有助于提高系统的可靠性和准确性。

LangGraph 通过有向图模型解决 LLM 的幻觉问题，支持循环、状态管理和人机协作，适用于金融等高风险领域，确保输出的确定性和自动回退功能。

本文研究了大型语言模型在摘要任务中的幻觉问题，提出了新方法FaithJudge，通过少量人类注释提升幻觉评估的自动化效果，并建立了改进的幻觉排行榜。

本研究探讨了大型语言模型（LLMs）在代码生成中产生的幻觉问题，分析了幻觉的类型，评估了现有的基准测试和缓解策略，指出了当前面临的挑战，并提出了未来的研究方向建议。

本研究揭示了对比解码策略在多模态大语言模型中解决幻觉问题的局限性，尽管表面上性能有所提升，但这些提升实际上是误导性因素所致，未能有效抑制幻觉。研究挑战了对比解码的有效性，并为更好的解决方案提供了新方向。

在大型语言模型应用中，传统的检索增强生成方法存在幻觉问题。为此，提出了推理检索增强生成技术，通过先让模型理解文档，再进行精确检索，以提高回答质量，减少错误。

本研究提出了动态参数检索增强生成（DyPRAG）框架，旨在解决传统RAG方法在推理成本和知识冲突方面的不足。DyPRAG通过轻量级参数翻译模型动态增强大型语言模型的知识，降低了推理、训练和存储成本。实验结果表明，DyPRAG在知识融合能力上优于传统方法，有效缓解了RAG的幻觉问题。

本研究提出了一种优化的生成检索框架，旨在解决大型语言模型的幻觉问题。通过结合知识蒸馏推理和决策代理，显著提升了检索精度，并在支付宝的实际应用中验证了其有效性。

本研究提出了新型视觉语言基础模型LRSCLIP及数据集LRS2M，解决了遥感视觉语言模型在长文本处理和短文本信息不足方面的“幻觉”问题，显著提升了跨模态检索的精度。

本研究提出了一种创新方法，解决检索增强生成中的幻觉问题。通过轻量化的开放权重模型和量化大语言模型，提供易解释的评分指标，提升评估准确性，并引入新的AUC指标替代人类判断相关性。

本研究针对多模态大型语言模型在密集图像描述中的幻觉问题，提出了新指标HalFscore来评估描述质量，并通过对抗性扰动文本提升生成描述的真实性。

本研究提出了一种高效的代理框架（PAF），旨在解决大语言模型（LLM）在复杂图形工作流中的对齐错误和幻觉问题。PAF通过结合LLM推理与向量评分机制，提高了准确性并降低了延迟，显著增强了对复杂用户输入的处理能力，为实时对话AI系统的可扩展性奠定了基础。