A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions

大语言模型（LLMs）的出现标志着自然语言处理（NLP）的重大突破，带来了文本理解和生成方面的显著进展。然而，除了这些进展外，LLMs还表现出产生幻觉的严重倾向，导致内容与现实世界的事实或用户输入不一致。这种现象对它们的实际部署提出了重大挑战，并引起了对LLMs在现实场景中的可靠性的担忧，因此越来越受到关注以检测和减轻这些幻觉。在这篇综述中，我们旨在全面深入地概述LLM幻觉领域的最新进展。我们首先提出了LLM幻觉的创新分类法，然后深入探讨了导致幻觉的因素。随后，我们全面介绍了幻觉检测方法和基准。此外，我们相应地介绍了旨在减轻幻觉的代表性方法。最后，我们分析了突出当前限制的挑战，并制定了开放性问题，旨在勾勒未来研究LLM幻觉的路径。

解决大型语言模型（LLMs）产生幻觉的问题，提高其在实际应用中的可靠性。

通过创新的LLM幻觉分类法，探讨导致幻觉的因素，提出幻觉检测方法和减轻幻觉的方法。

论文介绍了LLM幻觉的多个方面，包括分类法、检测方法和减轻幻觉的方法。实验结果表明，提出的方法可以有效地检测和减轻LLM幻觉。

相关论文包括：1. 'The GPT-2 neural network: A large-scale unsupervised language model' by Alec Radford et al. at OpenAI; 2. 'BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding' by Jacob Devlin et al. at Google; 3. 'Towards Explainable and Controllable Open Domain Dialogue Generation with Dialogue Acts' by Hao Zhou et al. at Tsinghua University.