本研究探讨了基准数据污染对大规模语言模型评估的影响，并系统性检验了现有缓解策略的有效性。结果表明，现有策略未能显著提高抵御污染的能力，强调了设计更有效缓解策略的必要性。

本研究针对医学大型视觉语言模型（Med-LVLMs）生成幻觉的问题，提出了MedHEval基准，评估幻觉的三种根本原因及其缓解策略。结果表明，现有策略效果有限，需要改进训练以提升模型的可靠性。

本研究探讨了大型语言模型（LLMs）在隐私泄露、幻觉输出和价值失调等方面的内在风险及其恶意使用现象。论文提供了一个统一框架，综述了针对这些问题的缓解策略，涵盖数据收集、预训练、微调、推理及后处理的最新进展，旨在提升LLMs在隐私保护和减少幻觉等方面的表现。

本研究探讨了文本基础联系方式中的沉默放弃现象，指出客户未通知离开会浪费代理的时间和资源。通过模型分析，揭示了这一现象对代理效率和系统容量的负面影响，并提出了提高客户耐心和降低放弃率的缓解策略。

本研究探讨了大型语言模型（LLM）在缺乏标签反馈时的自我修正机制，发现其输出不稳定且存在认知偏差。提出了两种策略以改善模型表现。

本研究探讨了大型语言模型中的锚定偏差，发现初始信息对判断的影响不成比例。实验验证了该偏差及其缓解策略，强调全面收集信息的重要性。

本研究分析了深度学习模型在图像识别中的后门攻击，并评估了现有缓解策略的有效性。通过基准测试16种方法，发现保护效果存在显著差异，并提出了未来改进防御机制的方向。

研究探讨了大型多模态模型在语言、视觉和音频中出现幻觉的问题，限制了实际应用。提出“多模态的诅咒”基准，分析原因，强调跨模态学习中平衡与缓解策略的重要性。通过对比学习等方法减少幻觉，提高性能，并提出评估和缓解策略，如CrossCheckGPT和Hallu-PI，旨在解决多模态模型中的幻觉问题。

本研究探讨了大型语言模型在指令微调后上下文依赖性降低的现象。通过“上下文参数反演”，揭示了模型在微调初期依赖性上升但随后下降的趋势，并提出了一些缓解策略。

本研究探讨了大型语言模型（LLMs）在代码生成中的“幻觉”问题，定义并分类了代码幻觉，开发了CodeHalu基准测试集以检测幻觉现象。研究发现，LLMs生成的代码中19.7%存在幻觉，强调了改进模型和训练方法的必要性。实施缓解策略后，幻觉率显著降低，为未来的代码生成提供了重要见解。

本文探讨了大型语言模型（LLMs）中的幻觉现象，分析了其检测、解释和缓解方法。研究表明，LLMs在生成虚假文本方面存在固有倾向，并提出了幻觉的分类和评估基准，强调理解和减轻幻觉的重要性，以提高LLMs的可靠性。

大型语言模型（LLMs）在多语言环境中存在安全隐患，研究表明多语言模型更易受攻击。通过自卫框架训练可以减少不安全内容，低资源语言的恶意提示导致更多无关回答。研究提出的新算法和缓解策略显著降低了攻击成功率，强调了加强安全措施的必要性。

该论文介绍了评估语言模型中社会偏见的多个数据集和方法，如StereoSet和CrowS-Pairs。研究发现，现有模型普遍存在性别、职业、种族和宗教等偏见，并提出了新的评估指标KLDivS和JSDivS，显示出更好的稳定性和可解释性。此外，研究还探讨了多模态语言模型中的社会偏见及其缓解策略，强调多样化提示的重要性。

本文综述了大型语言模型（LLM）幻觉的研究进展，包括幻觉的分类、检测方法和缓解策略。研究评估了不同模型的幻觉水平，提出了改进的评估框架，并探讨了未来研究方向，以加深对幻觉现象的理解和解决方案的开发。

本文提出了一种基于马尔可夫链的多代理辩论验证框架，旨在提高语言模型中幻觉的检测准确性。研究构建了新的幻觉基准，设计了有效的检测方法，系统分析了幻觉的来源及缓解策略，显著提升了检测性能，为理解和解决语言模型中的幻觉问题提供了重要发现。

本文探讨神经机器翻译中的幻觉现象，提出多种检测和缓解方法，包括基于不确定性的检测、跨语言嵌入提高检测精度，以及基于置信度的同传框架。研究旨在构建更稳定的翻译系统，并发布相关数据集以支持未来研究。

美国土安全部发布了关于缓解AI风险的安全指引，强调风险管理是持续过程，提供具体缓解策略和与NIST AI RMF的对照映射。