不要分类，要幻觉！

Simon Willison's Blog 新闻
ai machine-learning tagging content-management vector-embeddings llm blog-tagging

摘要

文章介绍了一种方法：LLMs为博客内容生成假设标签，并利用向量嵌入技术与现有标签进行匹配，从而提升分类效果。

暂无内容
查看原文
查看缓存全文

缓存时间: 2026/08/14 23:30

# 别分类。去幻觉！ 来源：https://simonwillison.net/2026/Aug/14/dont-classify-hallucinate/ 2026年8月14日 \- 链接博客 **别分类。去幻觉！(https://softwaredoug.com/blog/2026/08/10/hypothetical-classifications)** 我的博客上仍有不少较早的内容没有来得及打标签。我的博客有1,856个标签(https://simonwillison.net/)——数量太多，无法一次性输入给大语言模型，然后问它"哪些标签与以下内容匹配"。 Doug Turnbull 提出了一个巧妙的解决方案。让模型在不提供现有标签词汇细节的情况下输出标签，然后使用向量嵌入与现有语料库进行比对，找到与模型设想的标签最接近的实际标签！ 他的示例提示词建议包含一个你标签结构的例子，以帮助模型做出更有用的推测： > `你的任务是创建新的、前所未见的家具、家居用品或硬件分类，使其最适合一个搜索查询。` `产品分类可能如下所示：` `家具 / 客厅家具 / 咖啡桌与边桌 / 咖啡桌` `装饰与抱枕 / 装饰抱枕与毯子 / 装饰抱枕` `家具 / 卧室家具 / 抽屉柜与斗柜` `厨房与餐桌用品 / 厨房收纳 / 食品储存与罐子` `学校家具与用品 / 学校家具 / 学校椅子与座椅 / 可堆叠椅子` `婴儿与儿童 / 幼儿与儿童卧室家具 / 儿童床` `以下是需要为其生成分类的查询：` `棕色咖啡桌`

相似文章

不要分类，要幻觉！

Hacker News Top

本文介绍了一种使用LLM对电子商务查询进行分类的技术，其做法是让模型“幻觉”出假设性分类，再利用嵌入将其映射到真实分类体系，这比受限的结构化输出更便宜、也更简单。

如何解决幻觉问题（使用RLCD）

Lobsters Hottest

文章解释了如何通过使用概率分布和校准来量化不确定性，而不是依赖不可靠的置信分数，以解决大型语言模型中的幻觉问题。

HalluSAE：利用稀疏自编码器检测大型语言模型中的幻觉

arXiv cs.CL

北京航空航天大学等机构的研究人员提出了HalluSAE，这是一个结合稀疏自编码器与相变理论的框架。该框架通过将生成过程建模为穿越势能地形的轨迹，来检测大型语言模型（LLM）中的幻觉，并精准定位发生事实性错误的关键过渡区域。