研究人员推出SHAM-Bench,一个旨在评估大型语言模型在多个自然语言生成任务中跨度级幻觉检测能力的新基准。该基准在通用模式和评估协议下整合了来自现有数据集的6,461个示例。使用SHAM-Bench进行的初步评估显示,虽然领域内微调的检测器表现良好,但在分布变化下性能会下降,而具有推理能力的提示式方法在不同任务中表现出更强的鲁棒性。 AI
影响 该基准旨在提高LLM输出中事实性不准确的检测和缓解能力,从而实现更可靠的AI系统。
排序理由 该集群描述了一篇介绍用于评估AI模型基准数据集的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →