本研究提出了一种四阶段的框架，用于评估大型语言模型生成的内容中的刻板印象和偏见。以教育领域为案例研究，构建了Edu-FairBench，并发现五个LLMs存在不同程度的刻板印象和偏见。自动评估方法与人工注释相关性高。

该论文介绍了一个名为HalluQA的中文大型语言模型幻觉现象基准，包含450个对抗性问题，使用GPT-4设计了自动评估方法，对24个大型语言模型进行了广泛实验。结果表明，18个模型实现了低于50%的非幻觉率，说明HalluQA具有很高的挑战性。作者还分析了不同类型模型中主要类型的幻觉及其原因，并讨论了不同类型模型应优先考虑哪些类型的幻觉。