← 返回 大语言模型 思维导图
⚡闪卡盲测➔
⚡ 大语言模型ID: hallucination-types

幻觉类型与成因

Hallucination Types & Causes
🎯核心定义
幻觉指模型输出与事实不符、与上下文矛盾或逻辑不连贯的内容,分为三类:事实幻觉(编造不存在的事实,如错误的日期、人物、数字)、逻辑幻觉(推理链条断裂,自相矛盾或步骤错误)、上下文幻觉(输出与用户输入、检索文档或系统指令冲突,含知识截止导致的过时信息)。
💡使用场景
医疗、金融、法律等高风险领域的回答可信度评估;RAG、Agent、摘要系统上线前的幻觉率与归因测试;面试高频追问"模型为什么撒谎",以此展开对训练目标与数据分布的讨论。
⚡解决的核心痛点
幻觉是 LLM 落地可信应用的核心障碍;根源在训练目标 max⁡θ∑tlog⁡Pθ(yt∣y<t,x)\max_\theta \sum_t \log P_\theta(y_t \mid y_{<t}, x) 是最大化条件概率而非真值,加上训练数据含错误信息、解码采样引入随机性、知识截止与遗忘。理解三类幻觉与成因,才能对症设计缓解与检测方案。
🎯核心面试考点体系 (Exam Points)
基础原理 · 工业场景 · 深入排雷
基础·定义
请阐明【幻觉类型与成因】的本质定义、底层数学/架构运作机制与关键原理。
基础·场景
在实际工业生产体系中,【幻觉类型与成因】适用于哪些典型场景?解决了什么核心工程痛点?
🔥 高频进阶实战考点 (Top 5 Deep-Dive Questions)
1
幻觉分哪三类?分别举一个具体例子。
2
从训练目标角度解释幻觉根源:为什么 MLE 目标 max Σ log P(y_t|y_<t,x) 不保证事实正确?
3
知识截止 (knowledge cutoff) 导致的幻觉属于哪一类?如何用接口设计缓解?
4
解码参数 (temperature/采样) 如何影响幻觉率?贪婪解码是否完全消除幻觉?
5
评估幻觉的三个视角:基于事实、基于上下文、基于逻辑,分别对应什么测试?
更新于 2026-08-12
🎯
检验攻克程度:针对「幻觉类型与成因」专属刷题排雷
做单选排雷题、推导选项机制,答错自动收录进专属错题本。
🚀 开始本考点专项刷题 ➔
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
← 上一个知识点PRM 与 RLVR下一个知识点 →幻觉缓解

🔗 更多 大语言模型 知识点卡片

引用出处: TalentMe 450+ 工业级 AI 架构考点知识库 (Tech Vault) · 遵循 CC-BY-4.0 知识共享协议
URL: https://talentme.airsota.com/zh/resources/tech/roadmap/mindmap/LLM/card/hallucination-types