大型语言模型会生成流利的文本，其中可能包含不忠实的主张--这种现象被称为幻觉。我们提出了一种多信号检测流水线，结合了微调的DeBERTa-v3分类、Monte Carlo (MC) Dropout不确定性定量和温度尺度校准，用于响应级幻觉检测。根据HaluEval基准评估，我们的管道实现了

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2609.11878v1)获取最准确的信息。

---
🔗 **原文链接**: [Domain-Specific Hallucination Detection in Large Language Mo](https://arxiv.org/abs/2609.11878v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Varun Teja Chundru, Debasmita Biswas

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-09-11 14:01