本研究探讨大型语言模型在长篇故事创作中的评估挑战，提出WebNovelBench基准，利用4000多个中文网络小说数据集，从多个角度评估叙事质量，以区分人类作品与LLM生成内容。

大型语言模型在开放式主题的事实查询中常出现错误。研究提出了一种名为SAFE的方法，通过多步推理评估长篇回复的准确性。实验证明，SAFE在评估上超越人类标注者，且成本低。研究还探讨了长篇问答任务的评估挑战，并提出改进建议，以提高答案的相关性和可靠性。

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。