标签
DEPICT 是一种免训练的图文对齐评分指标，它以「基于图像的回答」与「仅基于文本描述的回答」在分解后的验证问题上的期望一致性，替代了固定的参考答案，将否定类判断的准确率从 19% 提升至 88%，并在五个基准、十一种骨干模型上超越了其他免训练指标。
HalluScoring 2026 推出了首个面向阿拉伯语问答的 LLM 幻觉检测与事实验证共享任务，共有 13 支队伍参与四个子任务的角逐，涵盖二元幻觉检测以及在 HalluScore 和 HalluTruthQA 数据集上的答案选择。
本文揭示了幻觉检测中的“检测性差距”：幻觉可分为高一致性（Ghost）与低一致性（Flickering）两种模式，二者之间存在 0.35–0.46 的 AUC 差距。该差距在四个模型与三个事实问答数据集上持续存在，即使在固定模式归属并采用更严格的基于轨迹的测试后依然如此。作者指出，聚合层面的检测指标掩盖了模型相关的异质性，并呼吁采用基于模式条件的评估方法。
作者在数据集上对Jev裁判器进行了基准测试，通过从人类标注示例中学习，将其校准误差降低了68.1%，提高了生产环境中置信度的对齐性，同时分类准确性没有显著变化。
本文引入两套分类体系——将检索阶段的错误分解为五个质量维度，将验证器推理错误分解为六个步骤——通过 LLM-as-Judge 自动归纳得到，用于诊断基于检索的医疗事实性评估在何处失效。针对 4 种检索方法和 6 个前沿验证器的压力测试表明，这些失效模式是 retrieve-then-verify 范式的根本性局限，而非过时系统的产物。
本研究探究了基于单语数据训练的幻觉检测探针在Hinglish上的迁移效果，结果显示检测性能稳健，且Hindi和Hinglish中的幻觉率高于英语。
本文提出了一种通过分析注意力图中的拓扑特征来检测LLMs中幻觉的方法，在多个基准测试中显示出相对于现有基线的改进。
本文提出了一种基于注意力分散的无监督指标，用于检测大型语言模型中的幻觉，在使用Qwen2.5模型家族的数学推理基准测试中显示出显著的AUC提升。
QAgent 通过评分正确性、检测幻觉与真实依据的对比、验证策略遵守情况以及基准测试 RAG 来自动化 AI 代理的质量保证，从而防止不良响应传递给客户。
一篇关于VLMs幻觉检测的系统论文已被EMNLP 2026接受，参与SHROOM共享任务，该任务在UncertaiNLP研讨会上举办，专注于标记和标注VLM输出中的幻觉字符跨度。
本文引入LexAgentHallu，一个用于剖析法律AI智能体中幻觉的层次化基准测试，通过细粒度指标评估多步轨迹。
OmniHallu引入了一个统一的幻觉检测框架，适用于多模态大语言模型，涵盖图像、视频和音频模态的理解与生成任务，并包括一个基准测试和多智能体架构。
作者正在开发针对AI代理的付费调用工具，以提高研究准确性，例如公司研究和声明检查，并请求社区对定价和JSON响应格式提出意见。
本文介绍了HalluPeer，这是一个基于分类体系的基准测试，用于检测科学同行评审中的幻觉，并提供了标注数据以评估和改进检测方法。
本文提出通过结合语义熵和令牌级不确定性信号来检测黑盒LLMs中的幻觉的方法，评估了TopK、CoCoA、Gated和Stacked等技术在多个基准测试中的表现，发现没有单一方法普遍最强，但Stacked通常表现最佳。
本文介绍了InternReviewer和InternAdvocate，这是一个利用智能体强化学习与客观奖励，在学术同行评审与回应中开发AI智能体的框架，旨在提升推理深度、引用准确性并减少幻觉。
本文介绍了ClaimProbe，一个用于检测深度研究报告中幻觉和错误归因的声明级审计框架，以及ClaimWriter，一个分层写作者，可将幻觉减少高达4.5倍，同时提高事实召回率。
SpanCalib-VLM提出了一种混合系统，该系统结合了多模态序列标注器和生成式视觉语言模型，以增强幻觉跨度检测和校准，并在SHROOM-Visions任务中实现了性能提升。
本文提出了一种无标签方法，使大型语言模型在不确定时拒绝回答，利用内部置信信号，并展示其在性能上与监督式拒绝回答调优相匹配。
LongNovel 引入了一个多尺度基准测试，用于评估长上下文小说摘要中的幻觉，基于中英文小说构建，以改进LLM评估。