什么是 LLM 幻觉？如何缓解？ | AI 面试题

Q: 什么是 LLM 幻觉？如何缓解？

类型：事实幻觉（错误实体/日期）；逻辑幻觉（推理链断裂）；指令幻觉（编造不存在的工具结果）。根因：MLE 目标不惩罚看起来合理的假话；知识截止；长尾事实记忆弱。缓解：1) RAG 检索增强；2) Grounding 强制基于检索内容；3) Citation 要求标注来源；4) 置信度/拒答 低置信时拒绝；5) RLHF 惩罚幻觉回答；6) 评测 用 FActScore、Faithfulness 指标持续监控。

核心要点

幻觉类型（事实/逻辑）
RAG 作用与局限
评估方法

简要回答

幻觉是模型「自信地胡说」——训练数据噪声、目标只是预测 token、缺乏Grounding 都会导致；RAG 给事实锚点，加上引用校验和「不知道就说不知道」可显著缓解。

标准回答

类型：事实幻觉（错误实体/日期）；逻辑幻觉（推理链断裂）；指令幻觉（编造不存在的工具结果）。根因：MLE 目标不惩罚看起来合理的假话；知识截止；长尾事实记忆弱。缓解：1) RAG 检索增强；2) Grounding 强制基于检索内容；3) Citation 要求标注来源；4) 置信度/拒答 低置信时拒绝；5) RLHF 惩罚幻觉回答；6) 评测用 FActScore、Faithfulness 指标持续监控。

常见误区

⚠️ 常见踩坑

只背概念不会举例；混淆相似术语；忽略工程落地约束（成本、延迟、数据质量）。

追问

追问 1：RAG 能完全消除幻觉吗？

不能。检索仍可能漏召、错召；模型可能误读或捏造未出现在上下文的内容。RAG 降低幻觉概率，需配合引用溯源、faithfulness 评测、拒答策略与人工抽检。

追问 2：如何评测幻觉率？

构造可归因数据集（答案必须来自给定上下文）；指标如 Faithfulness、Citation Precision；LLM-as-judge + 人工；线上监控无引用断言比例、用户纠错率；对抗性「陷阱文档」测试。

🔗 相似问题

同一考点的不同问法，换着练更稳

没找到想看的面试题？把你想看的告诉我们 →

延伸学习

按主题分类的相关资源，便于系统复习

核心要点

简要回答

标准回答

常见误区

追问

🔗 相似问题

知识库文章

博客深度阅读

核心术语

行业资讯