标签
该论文提出了 SHAM-Bench，一个统一的片段级幻觉检测基准，按照统一的 schema 和评测协议汇总了涵盖六项 NLG 任务的 6,461 条人工标注样本。研究发现，微调的检测器在分布偏移下性能下降，而基于提示的推理方法泛化能力更强。论文同时开放了数据集、代码和公开排行榜。
SpanUQ 引入了一种轻量级探针，用于大语言模型中的跨度级不确定性量化，采用 DETR 风格的解码器和 Beta 分布混合，实现了优于基于采样的方法的错误定位和更快的推理速度。
本文介绍了一个统一的基准，用于RAG系统中的跨度级幻觉检测，该基准超越了自然语言，扩展到代码、工具输出和结构化文档，并展示了一个微调的Qwen3.5-2B检测器，该检测器在这些新领域上优于现有方法，同时在标准NLP基准上保持竞争力。