大型语言模型 (LLMs) 在各种任务中取得了卓越的性能, 并在现实世界中得到了广泛应用。然而，LLMs 容易出现幻觉, 生成与已知知识相冲突或不忠实于原始信息来源的内容，影响了 LLMs 在很过高厉害场景上的应用。现有的幻觉基准主要关注句子或段落层面的幻觉检测, 忽略了对话层面的评估、幻觉定位和原因解析。为了缓解现有幻觉评估的局限性, 我们提出了 HalluDial, 第一个全面的大规模自动对话级幻觉评估基准。利用 HalluDial, 我们对 LLMs 在信息搜索对话中的幻觉评估能力进行了全面的元评估, 并引入了一个专门的判断语言模型 HalluJudge。HalluDial 的高数据质量使 HalluJudge 在幻觉评估中取得了优异或有竞争力的性能, 有助于自动评估 LLMs 中的对话级幻觉, 并为这一现象提供了宝贵的实验验证基础。

演讲提纲：

1.  研究背景
   • 幻觉问题的定义与危害
   • 幻觉检测技术的现状与挑战
2. 幻觉检测工具构建
   • HalluDail 评测集的构建
   • HalluJudge 模型构建
3. 实验结果
   • 不同大模型的整体表现对比
   • 模型在不同类型测试上的得分分析
   • 典型案例分析和展示
4. 总结与展望

听众收益：

• 深入理解幻觉现象
• 掌握对话级幻觉评估的新方法
• 探索幻觉原因与解决方案