English(EN) Do LLMs Make More Mistakes If They Do Not Believe the Input Data?

研究发现，大型语言模型在反事实数据上表现出较弱的上下文记忆冲突

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

一项新的研究论文探讨了输入数据的可信度感知如何影响大型语言模型（LLMs）的忠实度。该研究使用事实性、反事实性和虚构性数据，以多种语言（包括捷克语和斯洛伐克语等低资源语言）生成文本。与预期相反，研究发现只有较弱的上下文记忆冲突，这表明大型语言模型对反事实输入相对稳健。LLM裁判的选择也被发现会显著影响这种冲突的感知强度。 AI

影响表明大型语言模型可能比之前认为的更能抵御错误信息，影响检索增强生成系统。

排序理由研究论文分析大型语言模型在反事实数据上的行为。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文分析大型语言模型在反事实数据上的行为。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Peter Kochelka, Ale\v{s} Manuel Pap\'a\v{c}ek, Vojt\v{e}ch Dvo\v{r}\'ak, Ond\v{r}ej Du\v{s}ek · 2026-09-10 04:00

如果大型语言模型不相信输入数据，它们会犯更多错误吗？

arXiv:2609.09363v1 Announce Type: new Abstract: Large language models (LLMs) are prone to hallucinating or misinterpreting facts, which impairs their usability in retrieval-augmented generation or data-to-text systems. We analyse how faithfulness of LLMs to provided context depen…

本文如何被排名

报道来源 [1]

如果大型语言模型不相信输入数据，它们会犯更多错误吗？

相关实体

相关话题