本研究探讨了大型语言模型中的性别偏见问题，提出了性别缓解技术和FT-REGARD方法，评估了模型在信息检索和长文本生成中的偏见表现，强调了公平性测试的重要性，并提出了改进模型性能的策略。

本文综述了大型语言模型中的性别偏见评估与缓解技术。研究显示，模型在性别刻板印象和职业偏见方面存在明显问题，并提出了新的测试方法以减少这些偏见。强调跨学科合作在减少AI模型性别偏见中的重要性，并探讨了不同文化背景下性别偏见的影响。

该文综述大语言模型幻觉研究，涵盖幻觉分类、成因（如训练数据记忆与频率偏好）、检测方法与基准，以及检索增强生成、知识检索等缓解技术，并讨论评估挑战与未来方向，旨在提升模型可靠性与忠实度。

该文综述大语言模型与大型视觉语言模型的幻觉问题，涵盖幻觉分类、成因、检测方法、评估基准及缓解技术（如检索增强生成、LURE），并提出HILT数据集、HVI指数和POPE评估方法，以提升模型可靠性。

该文综述大语言模型与多模态模型的“幻觉”问题：从表示学习角度引入对比学习以减少多模态幻觉；提出基于标记的方法识别幻觉类型，提升对话摘要的可解释性与忠实度；梳理32种缓解技术并分类分析其挑战；介绍M-HalDetect数据集及细粒度偏好优化方法；通过候选识别、校验与减轻将GPT-3幻觉率从47.5%降至14.5%；并总结幻觉检测、评估框架、幻视分类以及HILT数据集与脆弱性指数等进展。