基于大模型事实幻觉可解释性多模型修正系统研究

Abstract

大型语言模型在教育及特定领域应用中潜力显著，但事实性幻觉严重制约其高风险场景可靠性。现有方法多孤立处理幻觉检测或校正，缺乏可解释性与可验证评估标准。本文构建小规模特定领域事实性幻觉数据集，通过明确噪声注入与路径标注，实现幻觉生成过程的追踪分析。基于该数据集，提出可解释多模型幻觉检测与校正框架，依托多模型协同识别幻觉存在及类型、生成校正理由并输出修订结果。同时引入
“黄金校正路径”，通过对标注噪声路径逆向推理获得，兼具校正指导与评估参考价值。该框架聚焦可解释性与事实准确性提升，为
LLM 在教育及专业知识生成任务中的可靠部署提供实用方案。