本研究提出了一种反事实干预框架，用于评估大型推理模型的思考草稿可信度，发现其推理步骤与最终结论常常不一致，强调了提升可信性和可解释性的重要性。

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。

本研究提出MAMM-Refine方法，通过多智能体和多模型协作，提升长文本生成的可信度，尤其在总结和问答领域。研究表明，该方法有效消除事实不一致性，显著提高生成内容的准确性和整体性能。

本研究提出了HintsOfTruth数据集，包含27,000对真实与合成图像/声明，旨在自动检测多模态检查值得性声明。研究表明，轻量级文本编码器在识别非声明内容方面表现良好，而多模态大语言模型在合成数据上更具鲁棒性，但计算成本高，限制了其大规模应用。